論文の概要: Feedback Recurrent Autoencoder for Video Compression
- arxiv url: http://arxiv.org/abs/2004.04342v1
- Date: Thu, 9 Apr 2020 02:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 01:51:16.505679
- Title: Feedback Recurrent Autoencoder for Video Compression
- Title（参考訳）: ビデオ圧縮のためのフィードバックリカレントオートエンコーダ
- Authors: Adam Golinski, Reza Pourreza, Yang Yang, Guillaume Sautiere, Taco S
Cohen
- Abstract要約: 低レイテンシモードで動作する学習ビデオ圧縮のための新しいネットワークアーキテクチャを提案する。
提案手法は,高分解能UVGデータセット上でのMS-SSIM/レート性能を示す。
- 参考スコア（独自算出の注目度）: 14.072596106425072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in deep generative modeling have enabled efficient modeling
of high dimensional data distributions and opened up a new horizon for solving
data compression problems. Specifically, autoencoder based learned image or
video compression solutions are emerging as strong competitors to traditional
approaches. In this work, We propose a new network architecture, based on
common and well studied components, for learned video compression operating in
low latency mode. Our method yields state of the art MS-SSIM/rate performance
on the high-resolution UVG dataset, among both learned video compression
approaches and classical video compression methods (H.265 and H.264) in the
rate range of interest for streaming applications. Additionally, we provide an
analysis of existing approaches through the lens of their underlying
probabilistic graphical models. Finally, we point out issues with temporal
consistency and color shift observed in empirical evaluation, and suggest
directions forward to alleviate those.
- Abstract（参考訳）: 深層生成モデリングの最近の進歩により、高次元データ分布の効率的なモデリングが可能となり、データ圧縮問題を解決する新たな地平が開かれた。
特に、オートエンコーダをベースとした学習画像やビデオ圧縮ソリューションは、従来のアプローチと強い競合関係にある。
本研究では,低レイテンシモードで動作する学習ビデオ圧縮のための,共通かつよく研究されたコンポーネントに基づく新しいネットワークアーキテクチャを提案する。
提案手法は,学習ビデオ圧縮手法と古典ビデオ圧縮手法(H.265とH.264)の双方のうち,高精細なUVGデータセット上でのMS-SSIM/レート性能を,ストリーミングアプリケーションへの関心度の範囲で評価する。
さらに,その基礎となる確率的グラフィカルモデルのレンズを通して,既存のアプローチの分析を行う。
最後に,経験的評価で観察される時間的一貫性と色変化の問題点を指摘し,それらを緩和するための方向性を提案する。
関連論文リスト
- Scene Matters: Model-based Deep Video Compression [13.329074811293292]
本稿では,シーンを映像シーケンスの基本単位とみなすモデルベースビデオ圧縮(MVC)フレームワークを提案する。
提案したMVCは,1シーンでビデオシーケンス全体の新しい強度変化を直接モデル化し,冗長性を低減せず,非冗長表現を求める。
提案手法は,最新のビデオ標準H.266に比べて最大20%の削減を実現し,既存のビデオ符号化方式よりもデコーディングの効率がよい。
論文 参考訳（メタデータ） (2023-03-08T13:15:19Z) - Learned Video Compression via Heterogeneous Deformable Compensation
Network [78.72508633457392]
不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。
より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。
実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-07-11T02:31:31Z) - Leveraging Bitstream Metadata for Fast, Accurate, Generalized Compressed
Video Quality Enhancement [74.1052624663082]
圧縮ビデオの細部を復元する深層学習アーキテクチャを開発した。
これにより,従来の圧縮補正法と比較して復元精度が向上することを示す。
我々は、ビットストリームで容易に利用できる量子化データに対して、我々のモデルを条件付けする。
論文 参考訳（メタデータ） (2022-01-31T18:56:04Z) - Towards Generative Video Compression [37.759436128930346]
本稿では,GAN(Generative Adversarial Network)に基づくニューラルビデオ圧縮手法を提案する。
論文 参考訳（メタデータ） (2021-07-26T08:53:48Z) - COMISR: Compression-Informed Video Super-Resolution [76.94152284740858]
ウェブやモバイルデバイスのほとんどのビデオは圧縮され、帯域幅が制限されると圧縮は厳しい。
圧縮によるアーティファクトを導入せずに高解像度コンテンツを復元する圧縮インフォームドビデオ超解像モデルを提案する。
論文 参考訳（メタデータ） (2021-05-04T01:24:44Z) - Ultra-low bitrate video conferencing using deep image animation [7.263312285502382]
ビデオ会議のための超低速ビデオ圧縮のための新しい深層学習手法を提案する。
我々はディープニューラルネットワークを用いて、動き情報をキーポイント変位として符号化し、デコーダ側で映像信号を再構成する。
論文 参考訳（メタデータ） (2020-12-01T09:06:34Z) - Conditional Entropy Coding for Efficient Video Compression [82.35389813794372]
本稿では,フレーム間の条件エントロピーをモデル化することのみに焦点を当てた,非常にシンプルで効率的なビデオ圧縮フレームワークを提案する。
まず、画像遅延符号間のエントロピーをモデル化する単純なアーキテクチャが、他のニューラルビデオ圧縮やビデオコーデックと同等の競争力を持つことを示す。
次に、このアーキテクチャの上に新しい内部学習拡張を提案し、復号速度を抑えることなく10%の節約を実現した。
論文 参考訳（メタデータ） (2020-08-20T20:01:59Z) - Variable Rate Video Compression using a Hybrid Recurrent Convolutional
Learning Framework [1.9290392443571382]
本稿では,予測自動符号化の概念に基づくハイブリッドビデオ圧縮フレームワークであるPredEncoderを提案する。
可変レートブロック符号化方式が論文で提案され,ビットレート比が著しく向上した。
論文 参考訳（メタデータ） (2020-04-08T20:49:25Z) - Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。
本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。
従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
論文 参考訳（メタデータ） (2020-03-25T09:04:24Z) - Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。
本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。
エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
論文 参考訳（メタデータ） (2020-02-10T13:13:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。