The optimization of viewers' quality of experience (QoE) in 360 videos faces two major roadblocks: inaccurate adaptive streaming and viewers missing the plot of a story. Alignment edit emerged as a promising mechanism to avoid both issues at once. Alignment edits act on the content, matching the users' viewport with a region of interest in the video content. As a consequence, viewers' attention is focused, reducing exploratory behavior and enabling the optimization of network resources; in addition, it allows for a precise selection of events to be shown to viewers, supporting viewers to follow the storyline. In this work, we investigate the effects of alignment edits on QoE by conducting two user studies. Specifically, we measured three QoE factors: presence, comfort, and overall QoE. We introduce a new alignment edit, named \textit{Fade-rotation}, based on a mechanism to reduce cybersickness in VR games. In the user studies, we tested four versions of fade-rotation and compared them with instant alignment. We observed from the results that gradual alignment achieves good levels of comfort for all contents and rotational speed tested, showing its validity. We observed a decrease in head motion after both alignment edits, with the gradual edit reaching a reduction in head speed of 8\% greater than that of instant alignment, confirming the usefulness of these edits for streaming video on-demand. Finally, parameters to implement \textit{Fade-rotation} are described.


翻译:360个视频中的观众最优化经验质量( QoE) 面临两大障碍: 不准确的适应性流和缺少故事情节的观众。 对齐编辑是一个充满希望的机制,可以同时避免这两个问题。 对齐编辑在内容上作用, 将用户的浏览点与视频内容感兴趣的区域匹配。 因此, 观众的注意力集中, 减少了探索行为, 并优化了网络资源; 此外, 它允许精确选择活动, 显示给观众, 支持浏览者遵循故事线。 在这项工作中, 我们通过进行两项用户研究, 调查校准编辑对QoE的影响。 具体地说, 我们测量了三种QoE因素: 存在、 舒适和总体QoE 。 我们引入了一个新的校准编辑编辑编辑, 以降低 VR 游戏的网络偏好机制为基础 。 在用户研究中, 我们测试了四种版本的淡淡色调, 并将它们与瞬间校准比较。 我们从结果中观察到, 渐渐渐的校正的校准度水平, 将显示所有校正的校正的校正的校正, 最终的校正速度都显示, 的校正的校正的校正的校正的校正的校正的校正的校正速度将比最后的校正的校正的校正的校正。

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
专知会员服务
60+阅读 · 2020年3月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年7月6日
Arxiv
0+阅读 · 2022年7月5日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员