VMAF 是 Netflix 开发的一种获奖的感知视频质量评估算法。该软件包包括一个独立的 C 库 libvmaf 及其封装的 Python 库。Python 库还提供了一套工具，允许用户训练和测试自定义 VMAF 模型。请阅读这篇技术博客文章以获取概述，查看这篇文章以获取最佳实践的提示，以及这篇文章以了解我们在速度优化、新 API 设计以及引入对编解码器评估友好的 NEG 模式方面的最新努力。libvmaf 还包含了几种其他指标的实现：PSNR、PSNR-HVS、SSIM、MS-SSIM 和 CIEDE2000。新闻（2026-06）我们正在发布一组新的 VMAF 模型（v1）。请查看技术博客以获取有关 v1 的更多信息。请查看 models_v1.md 获取详细信息和模型选择指南。上一代模型（v0）仍在 models_v0.md 中记录。我们欢迎用户对 VMAF v1 提供反馈，并将继续不断改进和更新模型。（2023-12-07）我们正在发布 libvmaf v3.0.0。它包含若干优化和错误修复，并且完全移除了在 v2.0.0 中已被弃用的 API。（2021-12-15）我们已在 CAMBI 中添加了 full_ref 输入参数，以允许将 CAMBI 作为全参考指标运行，考虑到源图像中已存在的带状现象。请查看使用页面。（2021-12-1）我们已在 CAMBI 中添加了 max_log_contrast 输入参数，以允许捕捉比默认更高对比度的带状现象。我们还加快了 CAMBI 的速度（例如，4k 的速度约为 4.5 倍）。请查看使用页面。（2021-10-7）我们开放了 CAMBI（对比度感知多尺度带状指数）- Netflix 的带状（即轮廓）伪影检测器。请查看技术博客获取概述以及在 PCS 2021 中发布的技术论文（请注意，该论文描述的 CAMBI 初始版本与现有代码不完全匹配，但仍是一个很好的入门介绍）。还请查看使用页面。（2020-12-7）查看我们关于速度优化、新 API 设计和引入适合编解码器评估的 NEG 模式的最新技术博客。（2020-12-3）我们正在发布 libvmaf v2.0.0。它有一个新的定点和经过 x86 SIMD 优化（AVX2、AVX-512）的实现，与之前的浮点版本相比速度提升了 2 倍。它也有一个更灵活、可扩展的新 API。（2020-7-13）我们创建了一份备忘录，以分享我们关于 VMAF 在图像增强操作存在下的特性、对编解码器评估的影响以及我们的解决方案的看法。因此，我们添加了一个名为无增强增益（NEG）的新模式。（2020-2-27）我们已将 VMAF 的许可证从 Apache 2.0 更改为 BSD + 专利，这是一种相对于 Apache 更宽松的许可证，同时也包含明确的专利授权。文档 有一个文档概述，其中包含链接到特定页面的信息，涵盖常见问题解答、可用模型和特性、软件使用指南和资源列表。使用 该软件包提供了多种与 VMAF 实现交互的方式。命令行工具 vmaf 提供了完整的算法实现，从而可以轻松地在生产环境中部署 VMAF。此外，vmaf 工具还提供了一些辅助特性，如 PSNR、SSIM 和 MS-SSIM。C 库 libvmaf 提供了一种界面，将 VMAF 融入到您的代码中，并为其他特征提取器集成到库中提供工具。Python 库提供了完整的包装类和脚本，用于软件测试、VMAF 模型训练和验证、数据集处理、数据可视化等。现在 VMAF 已作为过滤器包含在 FFmpeg 中，可以使用 ./configure --enable-libvmaf 进行配置。请参考与 FFmpeg 一起使用 VMAF 的页面。VMAF Dockerfile 从 Python 库生成Docker镜像。请参考此文档以获取详细用法。在 Windows 上构建 VMAF，请遵循这些说明。AOM CTC：AOM 已指定 vmaf 为根据 AOM 常见测试条件（CTC）标准化实现的指标工具。请参考此页面以获取符合 AOM CTC 的用法。贡献指南 请参考贡献页面。另请参阅此幻灯片介绍以获取概述贡献指南。