論文の概要: Deep Learning-Based Real-Time Rate Control for Live Streaming on Wireless Networks

• arxiv url: http://arxiv.org/abs/2310.06857v1
• Date: Wed, 27 Sep 2023 17:53:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 03:21:29.569636
• Title: Deep Learning-Based Real-Time Rate Control for Live Streaming on Wireless Networks
• Title（参考訳）: 無線ネットワーク上でのライブストリーミングのためのディープラーニングに基づくリアルタイムレート制御
• Authors: Matin Mortaheb, Mohammad A. Amir Khojastepour, Srimat T. Chakradhar, Sennur Ulukus
• Abstract要約: エンコーダパラメータのサブ最適選択は、帯域幅による映像品質の低下や、パケットロスによるアーティファクトの導入につながる可能性がある。 リアルタイム深層学習に基づくH.264コントローラが提案され、最適エンコーダパラメータをリアルタイムに無視可能な遅延で動的に推定する。 注目すべきは、PSNRの10-20dBの改善と、最先端の適応型ビデオストリーミングの再現を実現し、パケットのドロップレートを0.002まで下げることである。
• 参考スコア（独自算出の注目度）: 31.285983939625098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Providing wireless users with high-quality video content has become increasingly important. However, ensuring consistent video quality poses challenges due to variable encoded bitrate caused by dynamic video content and fluctuating channel bitrate caused by wireless fading effects. Suboptimal selection of encoder parameters can lead to video quality loss due to underutilized bandwidth or the introduction of video artifacts due to packet loss. To address this, a real-time deep learning based H.264 controller is proposed. This controller leverages instantaneous channel quality data driven from the physical layer, along with the video chunk, to dynamically estimate the optimal encoder parameters with a negligible delay in real-time. The objective is to maintain an encoded video bitrate slightly below the available channel bitrate. Experimental results, conducted on both QCIF dataset and a diverse selection of random videos from public datasets, validate the effectiveness of the approach. Remarkably, improvements of 10-20 dB in PSNR with repect to the state-of-the-art adaptive bitrate video streaming is achieved, with an average packet drop rate as low as 0.002.
• Abstract（参考訳）: 高品質なビデオコンテンツを持つワイヤレスユーザーを提供することがますます重要になっている。 しかし、一貫した映像品質の確保は、ダイナミックな映像コンテンツによる可変符号化ビットレートと、無線フェード効果による変動チャネルビットレートによる課題を引き起こす。 エンコーダパラメータのサブ最適選択は、低利用帯域幅によるビデオ品質の損失やパケット損失によるビデオアーチファクトの導入につながる可能性がある。 これを解決するために,リアルタイム深層学習に基づくH.264コントローラを提案する。 このコントローラは、物理層から駆動される瞬時チャネル品質データとビデオチャンクを利用して、最適エンコーダパラメータをリアルタイムに無視可能な遅延で動的に推定する。 目的は、利用可能なチャネルビットレートより少し低い符号化されたビデオビットレートを維持することである。 QCIFデータセットとパブリックデータセットからのランダムビデオの多種多様な選択で実施された実験結果は、このアプローチの有効性を検証する。 注目すべきは、PSNRの10-20dBの改善により、最先端の適応ビットレートビデオストリーミングを再現し、パケットのドロップレートを0.002まで下げることである。

関連論文リスト

• Buffer Anytime: Zero-Shot Video Depth and Normal from Image Priors [54.8852848659663]
  Buffer Anytimeは、ビデオから深さと正規マップ(幾何バッファと呼ばれる)を推定するためのフレームワークです。 時間的整合性制約を持つ単一画像の先行値を活用することによって,高品質なビデオバッファ推定を実証する。
  論文  参考訳（メタデータ） (2024-11-26T09:28:32Z)
• Adaptive Caching for Faster Video Generation with Diffusion Transformers [52.73348147077075]
  拡散変換器(DiT)はより大きなモデルと重い注意機構に依存しており、推論速度が遅くなる。 本稿では,Adaptive Caching(AdaCache)と呼ばれる,ビデオDiTの高速化のためのトレーニング不要手法を提案する。 また,AdaCache内で動画情報を利用するMoReg方式を導入し,動作内容に基づいて計算割り当てを制御する。
  論文  参考訳（メタデータ） (2024-11-04T18:59:44Z)
• Prediction and Reference Quality Adaptation for Learned Video Compression [54.58691829087094]
  本研究では,空間的およびチャネル的予測品質差の明確な識別を行うために,信頼度に基づく予測品質適応(PQA)モジュールを提案する。 また、参照品質適応(RQA)モジュールと関連する繰り返し学習戦略を提案し、様々な参照品質のための動的空間変化フィルタを提供する。
  論文  参考訳（メタデータ） (2024-06-20T09:03:26Z)
• A Parametric Rate-Distortion Model for Video Transcoding [7.1741986121107235]
  パラメトリックレート歪み(R-D)トランスコーダモデルを提案する。 ビデオのエンコーディングを必要とせず,様々な速度で歪みを予測できるモデルを開発した。 トランスサイズにより視覚的品質改善(PSNR)を達成するために使用できる。
  論文  参考訳（メタデータ） (2024-04-13T15:37:57Z)
• 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)
• Deep Learning-Based Real-Time Quality Control of Standard Video Compression for Live Streaming [31.285983939625098]
  リアルタイム深層学習に基づくH.264コントローラを提案する。 最小遅延でビデオチャンクの内容に基づいて最適なエンコーダパラメータを推定する。 平均帯域使用量の最大2.5倍の改善を実現している。
  論文  参考訳（メタデータ） (2023-11-21T18:28:35Z)
• 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)
• Ultra-low bitrate video conferencing using deep image animation [7.263312285502382]
  ビデオ会議のための超低速ビデオ圧縮のための新しい深層学習手法を提案する。 我々はディープニューラルネットワークを用いて、動き情報をキーポイント変位として符号化し、デコーダ側で映像信号を再構成する。
  論文  参考訳（メタデータ） (2020-12-01T09:06:34Z)
• Encoding in the Dark Grand Challenge: An Overview [60.9261003831389]
  低照度映像シーケンスの符号化に関するグランドチャレンジを提案する。 VVCは、エンコーディングに先立って単にビデオソースをデノベートするよりも高いパフォーマンスを達成する。 後処理画像強調法を用いることで、ビデオストリームの品質をさらに向上することができる。
  論文  参考訳（メタデータ） (2020-05-07T08:22:56Z)
• 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)

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。