論文の概要: RCLC: ROI-based joint conventional and learning video compression
- arxiv url: http://arxiv.org/abs/2107.06492v1
- Date: Wed, 14 Jul 2021 05:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 14:07:50.386835
- Title: RCLC: ROI-based joint conventional and learning video compression
- Title（参考訳）: RCLC:ROIに基づく従来型・学習型ビデオ圧縮
- Authors: Trinh Man Hoang, Jinjia Zhou
- Abstract要約: 新型コロナウイルス(COVID-19)は、これまで見てきたリモートインタラクティブシステムに対する高い需要に繋がる。
ビデオストリーミングは、特定のリアルタイム要求のため、非常に高いネットワーク帯域を必要とする。
既存のビデオ圧縮手法は,映像品質と速度要件のトレードオフに苦慮している。
- 参考スコア（独自算出の注目度）: 10.637636148816803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 leads to the high demand for remote interactive systems ever seen.
One of the key elements of these systems is video streaming, which requires a
very high network bandwidth due to its specific real-time demand, especially
with high-resolution video. Existing video compression methods are struggling
in the trade-off between video quality and the speed requirement. Addressed
that the background information rarely changes in most remote meeting cases, we
introduce a Region-Of-Interests (ROI) based video compression framework (named
RCLC) that leverages the cutting-edge learning-based and conventional
technologies. In RCLC, each coming frame is marked as a background-updating
(BU) or ROI-updating (RU) frame. By applying the conventional video codec, the
BU frame is compressed with low-quality and high-compression, while the ROI
from RU-frame is compressed with high-quality and low-compression. The
learning-based methods are applied to detect the ROI, blend background-ROI, and
enhance video quality. The experimental results show that our RCLC can reduce
up to 32.55\% BD-rate for the ROI region compared to H.265 video codec under a
similar compression time with 1080p resolution.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)は、リモート対話システムに対する高い需要につながる。
これらのシステムの鍵となる要素の1つはビデオストリーミングであり、特に高解像度ビデオの場合、特定のリアルタイム要求のために非常に高い帯域幅を必要とする。
既存のビデオ圧縮手法は,映像品質と速度要件のトレードオフに苦慮している。
遠隔ミーティングでは背景情報がほとんど変化しない状況に対処し,最先端学習と従来技術を活用した地域間対話(roi)ベースのビデオ圧縮フレームワーク(rclc)を導入する。
RCLCでは、各フレームはバックグラウンド更新(BU)またはROI更新(RU)フレームとしてマークされる。
従来のビデオコーデックを適用して、BUフレームを低品質・高圧縮で圧縮し、RUフレームからのROIを高画質・低圧縮で圧縮する。
学習に基づく手法は、ROIを検出し、バックグラウンドROIをブレンドし、ビデオ品質を向上させる。
実験の結果, RCLC は H.265 ビデオコーデックと比較して 1080p の圧縮時間で ROI 領域で 32.55 % の BD レートを低減できることがわかった。
関連論文リスト
- Video Compression with Arbitrary Rescaling Network [8.489428003916622]
符号化前のビデオリサイズのためのレート誘導任意再スケーリングネットワーク(RARN)を提案する。
軽量RARN構造は、FHD(1080p)コンテンツをリアルタイム(91 FPS)で処理し、かなりのレート低下を得ることができる。
論文 参考訳（メタデータ） (2023-06-07T07:15:18Z) - A Codec Information Assisted Framework for Efficient Compressed Video
Super-Resolution [15.690562510147766]
リカレントニューラルネットワークアーキテクチャを用いたビデオ超解法(VSR)は、長距離時間依存性の効率的なモデリングのため、有望なソリューションである。
圧縮ビデオの繰り返しVSRモデルの高速化と高速化を目的としたコーデック情報支援フレームワーク(CIAF)を提案する。
論文 参考訳（メタデータ） (2022-10-15T08:48:29Z) - VideoINR: Learning Video Implicit Neural Representation for Continuous
Space-Time Super-Resolution [75.79379734567604]
ビデオインプリシットニューラル表現(Video Implicit Neural Representation, VideoINR)は任意の空間解像度とフレームレートの映像にデコード可能であることを示す。
本稿では,最新のSTVSR手法を用いて,一般的なアップサンプリングスケールにおいて,ビデオINRが競合性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-06-09T17:45:49Z) - 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) - 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) - Learning to Compress Videos without Computing Motion [39.46212197928986]
動き推定を必要としない新しいディープラーニングビデオ圧縮アーキテクチャを提案する。
本フレームワークでは,映像のフレーム差分を映像表現として利用することにより,映像の動きに固有の規則性を利用する。
実験の結果,Motionless VIdeo Codec (MOVI-Codec) と呼ばれる圧縮モデルは,動きを計算せずに効率的に動画を圧縮する方法を学習することがわかった。
論文 参考訳（メタデータ） (2020-09-29T15:49:25Z) - Learning for Video Compression with Recurrent Auto-Encoder and Recurrent
Probability Model [164.7489982837475]
本稿では、リカレントオートエンコーダ(RAE)とリカレント確率モデル(RPM)を用いたリカレントラーニングビデオ圧縮(RLVC)手法を提案する。
RAEは、ビデオフレーム間の時間的相関を利用するために、エンコーダとデコーダの両方で繰り返しセルを使用する。
提案手法は,PSNRとMS-SSIMの両方の観点から,最先端の学習ビデオ圧縮性能を実現する。
論文 参考訳（メタデータ） (2020-06-24T08:46:33Z) - 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) - Learning for Video Compression with Hierarchical Quality and Recurrent
Enhancement [164.7489982837475]
本稿では,階層型ビデオ圧縮(HLVC)手法を提案する。
我々のHLVCアプローチでは、エンコーダ側とデコーダ側の低品質フレームの圧縮と強化を容易にするため、階層的品質は符号化効率の恩恵を受ける。
論文 参考訳（メタデータ） (2020-03-04T09:31:37Z) - Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video
Super-Resolution [95.26202278535543]
単純な解決策は、ビデオフレーム(VFI)とビデオ超解像(VSR)の2つのサブタスクに分割することである。
時間合成と空間超解像はこの課題に関係している。
LFR,LRビデオからHRスローモーション映像を直接合成するワンステージ時空間ビデオ超解像フレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-26T16:59:48Z)
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。