論文の概要: Denoising-based Turbo Message Passing for Compressed Video Background Subtraction

• arxiv url: http://arxiv.org/abs/2012.05626v1
• Date: Thu, 10 Dec 2020 12:26:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 16:53:59.058483
• Title: Denoising-based Turbo Message Passing for Compressed Video Background Subtraction
• Title（参考訳）: 圧縮ビデオバックグラウンドサブトラクションのためのDenoising-based Turbo Message Passing
• Authors: Zhipeng Xue, Xiaojun Yuan, Yang Yang
• Abstract要約: オフラインデノイジング型ターボメッセージパッシング(DTMP)と呼ばれるメッセージパッシングアルゴリズムを開発。 dtmpはより低い圧縮率で動作し、低い平均二乗誤差で背景をうまく減算することができる。
• 参考スコア（独自算出の注目度）: 23.826440074813625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we consider the compressed video background subtraction problem that separates the background and foreground of a video from its compressed measurements. The background of a video usually lies in a low dimensional space and the foreground is usually sparse. More importantly, each video frame is a natural image that has textural patterns. By exploiting these properties, we develop a message passing algorithm termed offline denoising-based turbo message passing (DTMP). We show that these structural properties can be efficiently handled by the existing denoising techniques under the turbo message passing framework. We further extend the DTMP algorithm to the online scenario where the video data is collected in an online manner. The extension is based on the similarity/continuity between adjacent video frames. We adopt the optical flow method to refine the estimation of the foreground. We also adopt the sliding window based background estimation to reduce complexity. By exploiting the Gaussianity of messages, we develop the state evolution to characterize the per-iteration performance of offline and online DTMP. Comparing to the existing algorithms, DTMP can work at much lower compression rates, and can subtract the background successfully with a lower mean squared error and better visual quality for both offline and online compressed video background subtraction.
• Abstract（参考訳）: 本稿では,ビデオの背景と前景を圧縮した測定値から分離する圧縮ビデオ背景減算問題について考察する。 ビデオの背景は通常低次元空間に存在し、前景は通常スパースである。 さらに重要なのは、それぞれのビデオフレームがテキストパターンを持つ自然なイメージであることだ。 これらの特性を利用して、オフラインデノナイジングベースターボメッセージパッシング(DTMP)と呼ばれるメッセージパッシングアルゴリズムを開発する。 本稿では,これらの構造特性をturboメッセージパッシングフレームワーク下で既存のデノイジング手法により効率的に処理できることを示す。 さらに、DTMPアルゴリズムをオンライン形式でビデオデータが収集されるオンラインシナリオに拡張する。 この拡張は、隣接するビデオフレーム間の類似性/連続性に基づいている。 我々は、前景の推定を洗練するために光学フロー法を採用する。 また,スライディングウインドウに基づく背景推定を適用し,複雑さを低減した。 メッセージのガウス性を利用して、オフラインおよびオンラインDTMPの照会性能を特徴付ける状態進化を開発する。 既存のアルゴリズムと比較して、dtmpはより低い圧縮率で動作し、低い平均二乗誤差と、オフラインとオンラインの圧縮ビデオ背景減算の両方でより良いビジュアル品質でバックグラウンドを減算することができる。

関連論文リスト

• FIFO-Diffusion: Generating Infinite Videos from Text without Training [44.65468310143439]
  FIFO-Diffusionは概念的には、追加のトレーニングなしで無限に長いビデオを生成することができる。 提案手法では, 頭部に完全に識別されたフレームを列挙し, 尾部に新しいランダムノイズフレームを列挙する。 提案手法が既存のテキスト・ビデオ生成ベースラインに対して有望な結果と有効性を示す。
  論文  参考訳（メタデータ） (2024-05-19T07:48:41Z)
• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• Predictive Coding For Animation-Based Video Compression [13.161311799049978]
  本稿では,画像アニメーションを予測器として用いる予測符号化手法を提案し,実際の対象フレームに対する残差を符号化する。 実験の結果,HEVCビデオ標準に比べて70%以上,VVCに比べて30%以上,有意な上昇を示した。
  論文  参考訳（メタデータ） (2023-07-09T14:40:54Z)
• You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
  近年,学習画像圧縮(lic)法は大きな進歩を遂げている。 licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。 原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。 極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:36:22Z)
• VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation [88.49030739715701]
  本研究は, フレームごとのノイズを, 全フレーム間で共有されるベースノイズ, 時間軸に沿って変化する残雑音に分解することで, 拡散過程を分解する。 様々なデータセットの実験により,ビデオフュージョンと呼ばれる我々の手法が,高品質なビデオ生成において,GANベースと拡散ベースの両方の選択肢を上回ることが確認された。
  論文  参考訳（メタデータ） (2023-03-15T02:16:39Z)
• Real-time Streaming Video Denoising with Bidirectional Buffers [48.57108807146537]
  リアルタイムDenoisingアルゴリズムは、通常、ビデオストリームの撮影と送信にかかわるノイズを取り除くために、ユーザーデバイスに採用されている。 最近のマルチアウトプット推論は、双方向の時間的特徴を並列または繰り返しのフレームワークで伝達する。 本研究では,過去と未来の両方の時間的受容場を持つストリーミングビデオに対して,高忠実度リアルタイムデノナイズを実現するための双方向ストリーミングビデオデノナイズフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-14T14:01:03Z)
• 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)
• Deep Video Prior for Video Consistency and Propagation [58.250209011891904]
  視覚的ビデオの時間的整合性に対する新規で一般的なアプローチを提案する。 提案手法は,大規模なデータセットではなく,オリジナルビデオとプロセッシングビデオのペアでのみ訓練される。 我々は、Deep Video Priorでビデオ上で畳み込みニューラルネットワークをトレーニングすることで、時間的一貫性を実現することができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T16:38:52Z)
• Restore from Restored: Video Restoration with Pseudo Clean Video [28.057705167363327]
  自己管理型ビデオ復号化手法"restore-from-restored"を提案する。 テストフェーズ中に擬似クリーンビデオを用いて事前学習ネットワークを微調整する。 提案した自己超越型学習アルゴリズムを用いて、微調整ビデオ復調ネットワークの復元性能を解析する。
  論文  参考訳（メタデータ） (2020-03-09T17:37:28Z)
• A Foreground-background Parallel Compression with Residual Encoding for Surveillance Video [46.49202082648197]
  本稿では,ビデオの前景と背景を別々に抽出・圧縮するビデオ圧縮手法を提案する。 提案手法では、HECVデータセット上で同じPSNR(36dB)を達成するために、従来のアルゴリズムであるH.265より69.5%少ないbpp (bits per pixel) を必要とする。
  論文  参考訳（メタデータ） (2020-01-18T03:35:00Z)

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。