低成本的传感器的部署,社交媒体平台,云存储,大量的图像和视频技术越来越便宜。作为一个标准的工具来分析这些类型的数据质量模型已经被广泛领域包括智能系统和3 d渲染。质量模型是用来模拟人类视觉感知和它的底层机制。例如,人眼转移路径可以映射为视觉质量评估和杠杆。此外,人类视觉皮层的功能可以数学建模和多层特征融合算法可以提出了无缝结合多个视觉因素和模拟人类视觉感知质量的层次结构。人类和动物视觉系统的力学和功能当视觉信息与不同的品质被认为也可以调查。

近几十年来,许多浅质量模型已经开发和商业化。尽管取得了成功,传统质量模型可能缺乏的处理越来越多的媒体数据。由于深特性工程重大进展,深质量模型提出了令人满意的性能。未来的媒体平台,需要人类可翻译的质量模型。然而,现有的深模型进行黑盒的方式和手段使视觉质量建模解释和透明高效的学习仍然没有解决。existing-scale数据对未来视觉系统建模时,全部或部分注释信号相比,它可能是不可行的标签大规模图像和视频在像素级别的手工工作,需要支持。在未来,只有图像和图象电平标签或部分标签可以但是,有时这样的标签可以被污染。因此,如何设计一个noise-tolerant weakly-supervised学习算法,探索quality-aware特性是一个困难的问题解决。传统质量模型通常利用本地或全球功能来评估每个图像或视频,在人类视觉感知不能显式地进行编码。据报道,人类视觉感知媒体质量建模中起着重要作用,特别是对下一代的视觉系统,人机交互和个人资料是强调。 Current literature highlights the difficulties in mimicking human visual perception such as predicting human gaze behavior and subsequently modeling the visual signal cognition in the human brain.

这个特殊的问题关注最新进展在图像和视频质量建模和分析。我们旨在探索可判断的,noise-tolerant,生物启发深模型来提高视觉质量模型。提交关注的新图片和视频基准测试的性能质量模型也受到欢迎。我们也欢迎提交调查复杂的生物机制的视觉质量感知的人类和动物。这个特殊问题的主要目标是关注在这一前沿领域的最新研究进展。我们欢迎提交原始研究和评论文章从工业和学术界的研究者和实践者。

潜在的主题包括但不限于以下:

• 下一代深度图像/视频/音频质量评价体系结构
• 深算法增强shallow-feature-based智能系统
• 面向质量的音频/图像/视频处理技术
• 预测未来照片/视频的视觉质量管理系统
• 利用人工交互提高深质量模型
• 为下一代规模媒体检索Perception-aware质量模型
• 小说深刻的质量特性及其在模式识别中的应用
• 深模型使用小样本训练质量的理解
• 小说的照片或视频重新定位目标/裁剪/重新组合使用深特性
• 新的数据集、基准和深质量模型的验证
• 主观的方法来估计未来媒体系统的质量
• 小说深刻的质量特性的可视化技术
• 媒体质量的潜在挑战在未来的智能系统建模