Fugu-MT 論文翻訳(概要): Hierarchical Autoregressive Modeling for Neural Video Compression

論文の概要: Hierarchical Autoregressive Modeling for Neural Video Compression

arxiv url: http://arxiv.org/abs/2010.10258v2
Date: Tue, 4 May 2021 16:15:53 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 23:18:49.737882
Title: Hierarchical Autoregressive Modeling for Neural Video Compression
Title（参考訳）: 階層的自己回帰モデルによるニューラルビデオ圧縮
Authors: Ruihan Yang, Yibo Yang, Joseph Marino, Stephan Mandt
Abstract要約: 我々は、最近のニューラルビデオ圧縮手法を、一般化された時間的自己回帰変換の例と見なしている。大規模ビデオデータに対する包括的評価は、最先端のニューラル圧縮法と従来のビデオ圧縮法に比較して、速度歪み性能が向上したことを示している。
参考スコア（独自算出の注目度）: 31.59496634465347
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent work by Marino et al. (2020) showed improved performance in sequential density estimation by combining masked autoregressive flows with hierarchical latent variable models. We draw a connection between such autoregressive generative models and the task of lossy video compression. Specifically, we view recent neural video compression methods (Lu et al., 2019; Yang et al., 2020b; Agustssonet al., 2020) as instances of a generalized stochastic temporal autoregressive transform, and propose avenues for enhancement based on this insight. Comprehensive evaluations on large-scale video data show improved rate-distortion performance over both state-of-the-art neural and conventional video compression methods.
Abstract（参考訳）: marino et al. (2020) による最近の研究は、マスク付き自己回帰流と階層的潜在変数モデルを組み合わせた逐次密度推定の性能向上を示した。我々は、このような自己回帰生成モデルと、損失のあるビデオ圧縮の課題とを関連づける。具体的には,最近のニューラルビデオ圧縮手法(lu et al., 2019, yang et al., 2020b, agustssonet al., 2020)を一般化された確率的時間的自己回帰変換の例として捉え,この知見に基づく拡張のための道を提案する。大規模ビデオデータに対する包括的評価では、最先端のニューラル圧縮法と従来のビデオ圧縮法の両方よりも、速度歪み性能が向上した。

関連論文リスト

Generalized Nested Latent Variable Models for Lossy Coding applied to Wind Turbine Scenarios [14.48369551534582]
学習に基づくアプローチは、圧縮率と再構成された画質の妥協を最小化する。成功したテクニックは、2レベルネストされた潜伏変数モデル内で機能するディープハイパープライアの導入である。本稿では,マルコフ連鎖構造を持つ一般化Lレベルネスト生成モデルを設計することによって,この概念を拡張した。
論文参考訳（メタデータ） (2024-06-10T11:00:26Z)
Upscale-A-Video: Temporal-Consistent Diffusion Model for Real-World Video Super-Resolution [65.91317390645163]
Upscale-A-Videoは、ビデオアップスケーリングのためのテキストガイド付き遅延拡散フレームワークである。ローカルでは、一時的なレイヤをU-NetとVAE-Decoderに統合し、短いシーケンス内で一貫性を維持する。また、テキストプロンプトによってテクスチャ生成と調整可能なノイズレベルをガイドし、復元と生成のバランスを取ることで、柔軟性も向上する。
論文参考訳（メタデータ） (2023-12-11T18:54:52Z)
Corner-to-Center Long-range Context Model for Efficient Learned Image Compression [70.0411436929495]
学習された画像圧縮のフレームワークでは、コンテキストモデルは潜在表現間の依存関係をキャプチャする上で重要な役割を果たす。本研究では,textbfCorner-to-Center 変換器を用いたコンテキストモデル (C$3$M) を提案する。また,解析および合成変換における受容場を拡大するために,エンコーダ/デコーダのLong-range Crossing Attention Module (LCAM) を用いる。
論文参考訳（メタデータ） (2023-11-29T21:40:28Z)
Perceptual Quality Assessment of Face Video Compression: A Benchmark and An Effective Method [69.868145936998]
生成的符号化アプローチは、合理的な速度歪曲トレードオフを持つ有望な代替手段として認識されている。従来のハイブリッドコーディングフレームワークから生成モデルまで、空間的・時間的領域における歪みの多様さは、圧縮顔画像品質評価(VQA)における大きな課題を提示する。大規模圧縮顔画像品質評価(CFVQA)データベースを導入し,顔ビデオの知覚的品質と多角化圧縮歪みを体系的に理解するための最初の試みである。
論文参考訳（メタデータ） (2023-04-14T11:26:09Z)
DNeRV: Modeling Inherent Dynamics via Difference Neural Representation for Videos [53.077189668346705]
映像の差分表現(eRV) 我々はこれを制限関数の適合性とフレーム差の重要性の観点から分析する。 DNeRVは最先端のニューラル圧縮アプローチと競合する結果を得る。
論文参考訳（メタデータ） (2023-04-13T13:53:49Z)
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)
HARP: Autoregressive Latent Video Prediction with High-Fidelity Image Generator [90.74663948713615]
我々は,高忠実度未来のフレームを予測可能な自己回帰遅延映像予測モデルを訓練する。既存のモデルに最小限の修正を加えて高解像度(256x256)ビデオを作成する。
論文参考訳（メタデータ） (2022-09-15T08:41:57Z)
Instance-Adaptive Video Compression: Improving Neural Codecs by Training on the Test Set [14.89208053104896]
本稿では,インスタンス適応学習に基づくビデオ圧縮アルゴリズムを提案する。送信される各ビデオシーケンスに対して、事前訓練された圧縮モデルを微調整する。ネットワークサイズを70%削減しても,競争性能が向上することを示す。
論文参考訳（メタデータ） (2021-11-19T16:25:34Z)
Insights from Generative Modeling for Neural Video Compression [31.59496634465347]
本稿では,深部自己回帰・潜時可変モデリングのレンズを用いたニューラルビデオ符号化アルゴリズムを提案する。本稿では,高解像度映像に対して最先端の映像圧縮性能を実現するアーキテクチャを提案する。さらに、生成的モデリングの観点から、ニューラルビデオ符号化の分野を前進させることができることを示す。
論文参考訳（メタデータ） (2021-07-28T02:19:39Z)
Feedback Recurrent Autoencoder for Video Compression [14.072596106425072]
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。
論文参考訳（メタデータ） (2020-04-09T02:58:07Z)

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。