Valutazione della qualità video tramite analisi riproducibili su dataset di grandi dimensioni in ambiente HPC = Video quality evaluation through reproducible analysis on large datasets in an HPC environment

La diffusione dei contenuti multimediali su piattaforme digitali ha reso necessario l’uso di strumenti affidabili per valutare la qualità video percepita. Tra questi, le metriche oggettive rivestono un ruolo centrale per assicurare una buona esperienza visiva anche in presenza di limitazioni di banda e risorse. La tesi si concentra sull’uso di VMAF (Video Multimethod Assessment Fusion), sviluppato da Netflix, che combina diverse tecniche per simulare la percezione umana. Il lavoro prevede l’analisi della qualità di contenuti video di grandi dimensioni codificati con i principali codec moderni (H.264, H.265, VP9), sfruttando vari modelli VMAF. L’intero processo è stato automatizzato tramite script in Python e Bash per il pre-processing, la conversione, l’esecuzione dei job SLURM e la raccolta dei risultati, eseguiti sull'infrastruttura HPC fornita dal Politecnico di Torino e containerizzati tramite Singularity, per garantire scalabilità e riproducibilità. L’analisi dei dati, organizzati in formato CSV e JSON, ha consentito di confrontare le performance in particolare dei diversi modelli VMAF, evidenziando le variazioni percettive legate alla codifica, alla risoluzione e al bitrate, nonché l'impatto sui consumi computazionali. I risultati ottenuti offrono un quadro dettagliato dei compromessi tra qualità visiva, efficienza di compressione e utilizzo delle risorse, proponendo un framework riutilizzabile in contesti accademici e industriali per future valutazioni della qualità video.