論文の概要: Lightweight Hybrid Video Compression Framework Using Reference-Guided Restoration Network

• arxiv url: http://arxiv.org/abs/2303.11592v1
• Date: Tue, 21 Mar 2023 04:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 16:29:17.562506
• Title: Lightweight Hybrid Video Compression Framework Using Reference-Guided Restoration Network
• Title（参考訳）: 参照誘導復元ネットワークを用いた軽量ハイブリッドビデオ圧縮フレームワーク
• Authors: Hochang Rhee, Seyun Kim, Nam Ik Cho
• Abstract要約: 本稿では、従来のビデオ(HEVC/VVC)、ロスレス画像、新しい修復ネットワークからなる軽量ハイブリッドビデオを提案する。 本手法はHEVCに適用しても,最上位の手法に匹敵する性能を実現する。
• 参考スコア（独自算出の注目度）: 12.033330902093152
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent deep-learning-based video compression methods brought coding gains over conventional codecs such as AVC and HEVC. However, learning-based codecs generally require considerable computation time and model complexity. In this paper, we propose a new lightweight hybrid video codec consisting of a conventional video codec(HEVC / VVC), a lossless image codec, and our new restoration network. Precisely, our encoder consists of the conventional video encoder and a lossless image encoder, transmitting a lossy-compressed video bitstream along with a losslessly-compressed reference frame. The decoder is constructed with corresponding video/image decoders and a new restoration network, which enhances the compressed video in two-step processes. In the first step, a network trained with a large video dataset restores the details lost by the conventional encoder. Then, we further boost the video quality with the guidance of a reference image, which is a losslessly compressed video frame. The reference image provides video-specific information, which can be utilized to better restore the details of a compressed video. Experimental results show that the proposed method achieves comparable performance to top-tier methods, even when applied to HEVC. Nevertheless, our method has lower complexity, a faster run time, and can be easily integrated into existing conventional codecs.
• Abstract（参考訳）: 近年の深層学習に基づくビデオ圧縮手法は、AVCやHEVCといった従来のコーデックよりもコーディングが向上した。 しかし、学習ベースのコーデックは一般にかなりの計算時間とモデルの複雑さを必要とする。 本稿では,従来のビデオコーデック(hevc/vvc),ロスレス画像コーデック,新たな復元ネットワークからなる,新しい軽量ハイブリッドビデオコーデックを提案する。 正確には、従来のビデオエンコーダとロスレス画像エンコーダからなり、ロスレス圧縮されたビデオビットストリームとロスレス圧縮された参照フレームを伝送する。 デコーダは、対応するビデオ/画像デコーダと、圧縮されたビデオを2段階のプロセスで強化する新しい復元ネットワークとで構成される。 最初のステップでは、大規模なビデオデータセットでトレーニングされたネットワークが、従来のエンコーダで失われた詳細を復元する。 そして、ロスレス圧縮された映像フレームである参照画像の指導により、さらに映像品質を向上させる。 参照画像は、圧縮されたビデオの詳細をより良く復元するために使用できるビデオ固有の情報を提供する。 実験の結果,HEVCに適用した場合においても,提案手法は最上位の手法に匹敵する性能を示した。 しかし,本手法はより複雑度が低く,実行時間が早く,既存のコーデックに容易に組み込むことができる。

関連論文リスト

• When Video Coding Meets Multimodal Large Language Models: A Unified Paradigm for Video Coding [112.44822009714461]
  CMVC(Cross-Modality Video Coding)は、ビデオ符号化における多モード表現とビデオ生成モデルを探索する先駆的な手法である。 復号化の際には、以前に符号化されたコンポーネントとビデオ生成モデルを利用して複数の復号モードを生成する。 TT2Vは効果的な意味再構成を実現し,IT2Vは競争力のある知覚整合性を示した。
  論文  参考訳（メタデータ） (2024-08-15T11:36:18Z)
• NU-Class Net: A Novel Approach for Video Quality Enhancement [1.7763979745248648]
  本稿では,圧縮コーデックによる圧縮アーチファクトの軽減を目的とした,革新的な深層学習モデルであるNU-Class Netを紹介する。 NU-Class Netを利用することで、ビデオキャプチャノード内のビデオエンコーダは出力品質を低下させ、低ビットレートのビデオを生成することができる。 実験により,低ビットレートでストリーミングされたビデオの知覚品質を高めるためのモデルの有効性が確認された。
  論文  参考訳（メタデータ） (2024-01-02T11:46:42Z)
• 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)
• 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)
• Transcoded Video Restoration by Temporal Spatial Auxiliary Network [64.63157339057912]
  本稿では,映像復元のための時間空間補助ネットワーク(TSAN)を提案する。 実験の結果,提案手法の性能は従来の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-15T08:10:23Z)
• Perceptual Learned Video Compression with Recurrent Conditional GAN [158.0726042755]
  本稿では, PVC (Perceptual Learned Video Compression) アプローチを提案する。 PLVCは低ビットレートで映像を知覚品質に圧縮することを学ぶ。 ユーザスタディでは、最新の学習ビデオ圧縮手法と比較して、PLVCの優れた知覚性能をさらに検証している。
  論文  参考訳（メタデータ） (2021-09-07T13:36:57Z)
• 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 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)

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。