論文の概要: SR+Codec: a Benchmark of Super-Resolution for Video Compression Bitrate Reduction
- arxiv url: http://arxiv.org/abs/2305.04844v3
- Date: Wed, 04 Dec 2024 17:34:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 18:18:24.749475
- Title: SR+Codec: a Benchmark of Super-Resolution for Video Compression Bitrate Reduction
- Title（参考訳）: SR+Codec:ビデオ圧縮ビットレート低減のための超解法ベンチマーク
- Authors: Evgeney Bogatyrev, Ivan Molodetskikh, Dmitriy Vatolin,
- Abstract要約: 圧縮ビデオのスケールアップのために,スーパーリゾリューションのキャパシティを解析するためのベンチマークを開発した。
我々のデータセットは5つの広く使われている圧縮標準に基づくビデオコーデックを用いていた。
いくつかのSRモデルと圧縮を組み合わせることで、品質を著しく損なうことなく動画を縮小できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: In recent years, there has been significant interest in Super-Resolution (SR), which focuses on generating a high-resolution image from a low-resolution input. Deep learning-based methods for super-resolution have been particularly popular and have shown impressive results on various benchmarks. However, research indicates that these methods may not perform as well on strongly compressed videos. We developed a super-resolution benchmark to analyze SR's capacity to upscale compressed videos. Our dataset employed video codecs based on five widely-used compression standards: H.264, H.265, H.266, AV1, and AVS3. We assessed 19 popular SR models using our benchmark and evaluated their ability to restore details and their susceptibility to compression artifacts. To get an accurate perceptual ranking of SR models, we conducted a crowd-sourced side-by-side comparison of their outputs. We found that some SR models, combined with compression, allow us to reduce the video bitrate without significant loss of quality. We also compared a range of image and video quality metrics with subjective scores to evaluate their accuracy on super-resolved compressed videos. The benchmark is publicly available at https://videoprocessing.ai/benchmarks/super-resolution-for-video-compression.html
- Abstract（参考訳）: 近年,低解像度入力から高解像度画像を生成することに焦点を当てた超解像(SR)への関心が高まっている。
深層学習に基づく超解像法は特に人気があり、様々なベンチマークで印象的な結果を示している。
しかし, 強圧縮ビデオでは, これらの手法がうまく動作しない可能性が示唆された。
我々は、SRの圧縮ビデオのキャパシティを超高解像度で解析するベンチマークを開発した。
H.264, H.265, H.266, AV1, AVS3の5つの広く使用されている圧縮標準に基づくビデオコーデックを用いた。
我々はベンチマークを用いて19種類のSRモデルを評価し、その詳細と圧縮アーティファクトに対する感受性を復元する能力を評価した。
SRモデルの正確な評価を得るために,クラウドソースによる出力の比較を行った。
いくつかのSRモデルと圧縮を組み合わせることで、品質を著しく損なうことなくビデオビットレートを削減できることがわかった。
また,超解像圧縮ビデオの精度を評価するために,画像および映像品質の指標を主観的スコアと比較した。
ベンチマークはhttps://videoprocessing.ai/benchmarks/super- resolution-for-video-compression.htmlで公開されている。
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) - SuperTran: Reference Based Video Transformer for Enhancing Low Bitrate
Streams in Real Time [0.6308539010172309]
この研究は、ビデオ品質が著しく損なわれている低いビデオストリーミングシナリオ(例:50～200Kbps)に焦点を当てている。
圧縮アーティファクトを除去し,超解像化を行うことにより,ストリームの知覚的映像品質を向上させるための新しい深層生成モデル群を提示する。
我々のモデルはSuperTranと呼ばれ、低画質の低解像度ビデオストリームに加えて、単一の高品質で高解像度の参照画像として消費する。
論文 参考訳（メタデータ） (2022-11-22T22:03:11Z) - Video compression dataset and benchmark of learning-based video-quality
metrics [55.41644538483948]
本稿では,ビデオ圧縮の評価を行うビデオ品質指標の新しいベンチマークを提案する。
これは、異なる標準でエンコードされた約2,500のストリームからなる、新しいデータセットに基づいている。
クラウドソーシングによるペアワイズ比較により,主観的スコアを収集した。
論文 参考訳（メタデータ） (2022-11-22T09:22:28Z) - Compressed Vision for Efficient Video Understanding [83.97689018324732]
本稿では,2時間ビデオの処理が可能なハードウェアを用いて,時間長動画の研究を可能にするフレームワークを提案する。
私たちは、JPEGなどの標準的なビデオ圧縮をニューラル圧縮に置き換え、圧縮されたビデオを通常のビデオネットワークへの入力として直接フィードできることを示します。
論文 参考訳（メタデータ） (2022-10-06T15:35:49Z) - Learning Spatiotemporal Frequency-Transformer for Compressed Video
Super-Resolution [38.00182505384986]
圧縮ビデオ超解像(FTVSR)のための新しい周波数変換器を提案する。
まず、ビデオフレームをパッチに分割し、各パッチを周波数帯域を表すDCTスペクトルマップに変換する。
第2に、各周波数帯に時間的注意を加える前に、共同で空間周波数の注意を行う分割された注意が、最高の映像強調品質をもたらすことを明らかにする。
論文 参考訳（メタデータ） (2022-08-05T07:02:30Z) - 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) - Objective video quality metrics application to video codecs comparisons:
choosing the best for subjective quality estimation [101.18253437732933]
品質評価は、ビデオ圧縮アルゴリズムの作成と比較において重要な役割を果たす。
比較のために、異なる標準のビデオコーデックでエンコードされた一連のビデオを使用し、2018年から2021年までの一連のストリームに対して、視覚的品質スコアを収集しました。
論文 参考訳（メタデータ） (2021-07-21T17:18:11Z) - 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) - Efficient Video Compression via Content-Adaptive Super-Resolution [11.6624528293976]
ビデオ圧縮はインターネットビデオ配信の重要なコンポーネントである。
近年の研究では、ディープラーニング技術が人間のアルゴリズムに匹敵する、あるいは優れていることが示されている。
本稿では,最近の深層学習に基づくビデオ圧縮方式を補強する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-04-06T07:01:06Z)
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。