VMAF 方法：
基本想法：
面对不同特征的源内容、失真类型，以及扭曲程度，每个基本指标各有优劣。通过使用机器学习算法（支持向量机（Support Vector Machine，SVM）回归因子）将基本指标“融合”为一个最终指标，可以为每个基本指标分配一定的权重，这样最终得到的指标就可以保留每个基本指标的所有优势，借此可得出更精确的最终分数。我们还使用主观实验中获得的意见分数对这个机器学习模型进行训练和测试。
VMAF可在支持向量机（SVM）回归因子中使用下列基本指标进行融合：
1.视觉信息保真度（Visual Information Fidelity，VIF）：
VIF是一种获得广泛使用的图像质量指标，在最初的形式中，VIF分数是通过将四个尺度（Scale）下保真度的丢失情况结合在一起衡量的。在VMAF中我们使用了一种改进版的VIF，将每个尺度下保真度的丢失看作一种基本指标。
2.细节丢失指标（Detail LossMetric，DLM）：
LM是一种图像质量指标，其基本原理在于：分别衡量可能影响到内容可见性的细节丢失情况，以及可能分散观众注意力的不必要损失。这个指标最初会将DLM和Additive Impairment Measure（AIM）结合在一起算出最终分数。
3.运动：
这是一种衡量相邻帧之间时域差分的有效措施。计算像素亮度分量的均值反差即可得到该值。
下列散点图对所选参考短片（高噪声视频、CG动漫、电视剧）得出的VMAF指标分数。为了方便对比，我们也附上了上文提到的结果最理想的PSNR-HVS指标散点图。无疑VMAF的效果更好。