整体概况

Link：Modeling the Perceptual Quality for Viewport-Adaptive Omnidirectional Video Streaming Considering Dynamic Quality Boundary Artifact Level：IEEE TCSVT 2021

DQB: Dynamic Quality Boundary，指在基于分块的 FoV 自适应全景视频推流过程中低质量分块区域的暴露和质量切换现象。

DQB 现象实际上就是 FoV 内分块间的质量差异和随时间变化的分块质量变化。 这篇论文主要的贡献在于深入研究了这种现象，并且针对此提出了可以利用现存的 QoE 评估指标的模型，并且可以实际应用。

Overview

Link: Toward Immersive Experience: Evaluation for Interactive Network Services

Level: IEEE Network 2022

Keywords: QoE Metrics

Bitrate Adaptation Schemes

Client-based

Recently, most of the proposed bitrate adaptation schemes reside at the client side, according to the specifications in the DASH standard.

Paper Overview

Link: https://ieeexplore.ieee.org/document/8424813

Level: IEEE Communications Surveys & Tutorials 2019

LiveObj

LiveDeep方法利用卷积层从视频内容中提取深层特征，不受动态背景的影响。然而在整个推流会话中需要更新一个带有大量权重的巨大的神经网络模型。同时因为没有历史视频和用户的轨迹的数据，模型需要在运行时从随机权重开始训练。而这会导致两个问题：

1. 模型需要花很长时间从一次预测错误中恢复；
2. 在初始化的阶段预测率成功率很低；

为了解决这两个问题，提出预训练的模型来分析视频内容，对视频的语义进行层次化。

基于对内容的分析，进一步设计了一个轻量级用户模型，将用户偏好映射到不同的视频内容。

LiveMotion

Motivation

基于视频中物体的运动模式来做对应的FoV预测。

将用户的FoV轨迹与视频内容中运动物体的轨迹结合到一起考虑：

细节可以参见：note-for-content-motion-viewport-prediction.