Vorhersage und Klassifizierung der Videoqualität mit XGBoost unter variablen Kodierungs- und Netzwerkbedingungen

Diese Studie stellt ein auf maschinellem Lernen basierendes Framework zur Bewertung der Videoqualität (VQA) vor. Dieses Framework ermöglicht die Abbildung von objektiven Metriken wie Structural Similarity Index Measure (SSIM) und Video Multimethod Assessment Fusion (VMAF) auf das subjektive Mean Opinion Score (MOS). Das Fehlen einer standardisierten Umrechnung von objektiven VQA-Methoden auf MOS erschwert die Konsistenz und Vergleichbarkeit verschiedener Bewertungsmethoden. Die vorgeschlagene Abbildungsfunktion liefert eine Echtzeit-Schätzung der vom Nutzer wahrgenommenen Videoqualität und stellt damit eine effektive Alternative zu traditionellen subjektiven Tests dar, die zeitaufwändig, kostenintensiv und für Online-Dienste wie IPTV oder Streaming-Plattformen ungeeignet sind. Alle entwickelten Modelle wurden mit dem Algorithmus XGBoost trainiert. Der Datensatz umfasst über 700 verzerrte Videosequenzen, die die zwei am weitesten verbreiteten Codecs (H.264 und H.265) sowie eine große Bandbreite an Auflösungen, Bitraten und Paketverlust-Raten abdecken. Obwohl der reale Netzwerkverkehr durch verschiedene Beeinträchtigungen wie Verzögerung und Jitter beeinflusst wird, ist Paketverlust der primäre Faktor für die Verschlechterung der Videoqualität. Die SSIM-zu-MOS und VMAF-zu-MOS Regressionsmodelle erreichten einen Pearson-Korrelationskoeffizienten von 0,95 und einen RMSE von 0,31. Zusätzlich schlagen wir einen Reduced-Reference-Klassifikator vor, der die Videoqualität anhand einer begrenzten Menge von Videoeigenschaften, einschließlich einer aus der Originalsequenz abgeleiteten Frame-(Paket-)Verlust-Rate, schätzt. Dieses Vorgehen ermöglicht es dem Modell, die Videoqualität zu bewerten, ohne einen direkten Vergleich zwischen Original- und Testsequenz zu erfordern. Das Modell erreicht einen gewichteten F1-Score von 0,92 und ist für den Einsatz in zeitkritischen Diensten wie Live-Streaming und IPTV geeignet, auch in Umgebungen mit Paketverlusten. Der Vergleich mit einem Back Propagation Neural Network (BPNN) sowie mit Methoden des Standes der Technik bestätigte die Überlegenheit des beschriebenen Ansatzes. Alle Quellcodes sind öffentlich zugänglich, um Reproduzierbarkeit und weiterführende Forschung im Bereich Quality of Experience (QoE) zu unterstützen.