A Comprehensive VRR Dataset of Luminance Signals and Their Perceived Flicker Levels: Insights for Display and GPU Manufacturers
Notice bibliographique
Résumé
ABSTRACT The adoption of variable refresh rate (VRR) technology in displays—aimed at reducing input lag, minimizing video stuttering, and improving power efficiency—has introduced an unforeseen challenge: flicker caused by minor changes in luminance due to the varying duration of each frame. Existing industry flicker measuring metrics are inadequate, often overly restrictive or reliant on impractical subjective evaluations. This highlights the need for an accurate, objective flicker metric specifically designed for VRR displays. Developing such a metric requires a comprehensive dataset that captures a wide range of flicker intensities across different display technologies and luminance conditions. To facilitate this, we compiled a unique VRR dataset consisting of 160 signals, ranging from 2 to 40 cd/m 2 , along with perceived flicker levels obtained through extensive subjective testing, following a standard protocol defined in ITU‐R BT.500‐15. This dataset serves as a critical resource for flicker assessment, providing valuable insights for display manufacturers, and it is instrumental in advancing VRR technology. Our analysis revealed that JEITA, the most widely used flicker metric for VRR displays, correlates with subjective flicker perception at only 71.43%. This finding underscores the limitations of current metrics and the pressing need for a more reliable standard tailored to VRR technology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».