一、背景

     使用基于深度学习模型进行客观MOS评价相比传统的基于主观评价的方法，有以下一些好处：

1.高效性：相比于传统的主观评价方法需要大量受试者进行评估，使用深度学习模型可以大大减少评估时间和人力成本，从而提高评估效率。

2.一致性：深度学习模型可以通过训练来学习人类主观评价的规律和模式，从而使得评估结果更加一致和准确。

3.可重复性：使用深度学习模型进行评价可以使得评估结果具有可重复性，不会像传统的主观评价方法一样受到个体差异的影响。

4.更广泛的应用：传统的主观评价方法需要大量人力和时间成本，使得其在实际应用中受到一定限制。而深度学习模型可以在大规模数据集上进行训练，从而可以在更广泛的场景下进行应用。

和传统的有参考评价方法PSNR, SSIM, VMAF等指标相比，

a.MOS评价不需要参考图，更契合终端用户的使用场景;

b.传统评价方法仅仅考虑图像像素的差异，而忽略了人类视觉系统对图像质量的感知。而使用深度学习模型进行视觉MOS评价有效考虑到人类主观评价的因素，从而更加准确地衡量图像质量；

     总之，使用深度学习模型进行视觉MOS评价可以提高评估效率和准确性，同时也可以使得评估结果具有更好的可重复性和更广泛的应用范围。

二、效果展示

三、技术原理

     客观MOS评价模型的原理是通过收集人类主观评估数据，并对数据进行特征提取和建模，自动分析图像的不同特征，例如对比度、清晰度和色彩饱和度等，并生成一个与人类主观意见相似的MOS分数。最终将该模型应用于新的图像、视频数据，实现了客观地评估媒体内容质量的目的。应用到终端用户的手机中，可以但不限于自动评价相册中海量图像、视频质量，并挑选其中的高画质内容进行二次创作，或者移除低画质内容以优化存储空间。

四、方法

方法1：模型即服务

     首先打开notebook，可以通过示例右上角快速体验创建账号申领。或者根据本地环境安装（查看文档中“Python环境配置”部分），等到环境ready后，试跑如下示例代码：

from modelscope.pipelines import pipeline

from modelscope.utils.constant import Tasks

from modelscope.outputs import OutputKeys

img = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/dogs.jpg'

image_quality_assessment_pipeline = pipeline(Tasks.image_quality_assessment_mos, 'damo/cv_resnet_image-quality-assessment-mos_youtubeUGC')

result = image_quality_assessment_pipeline(img)[OutputKeys.SCORE]

print(result)

这样就完成了模型即服务的AI功能调用了

方法2：

视觉智能平台——视频画质评估
打开视频画质评估链接（如上）， 按下图所示步骤：

1. 上传视频，将待测视频手动上传。

2. 执行测试，云端推理引擎会对上传视频进行预测。

3. 显示结果，最终的结果会显示在框中。

五、更多应用

    除了上述模型外，视觉智能平台还上线了包括去噪、超分、调色、上色等多种视频图像修复增强算法。任何低质量的原始视频，都能够在增强修复后变得焕然一新，让你享受到极致高清、饱满、丝滑的视频观看体验。

点击链接   视觉智能平台——视频生产能力广场    可体验多种视觉编辑功能。