論文の概要: BONES: Near-Optimal Neural-Enhanced Video Streaming
- arxiv url: http://arxiv.org/abs/2310.09920v1
- Date: Sun, 15 Oct 2023 19:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 01:47:29.419321
- Title: BONES: Near-Optimal Neural-Enhanced Video Streaming
- Title（参考訳）: BONES:ほぼ最適のニューラル強化ビデオストリーミング
- Authors: Lingdong Wang, Simran Singh, Jacob Chakareski, Mohammad Hajiesmaili,
Ramesh K. Sitaraman
- Abstract要約: Neural-Enhanced Streaming(NES)は、この新しいアプローチをビデオストリーミングに取り入れることで、ユーザーは低品質のビデオセグメントをダウンロードし、ビデオストリームの再生に違反することなく高品質なコンテンツを取得することができる。
本稿では,ユーザ体験の質(QoE)を最大化するために,ネットワークと計算資源を共同で管理するNES制御アルゴリズムBONESを紹介する。
我々の総合的な実験結果から、BONESは最先端のアルゴリズムよりもQoEを4%から13%増加させ、ユーザのビデオストリーミング体験を向上する可能性を示している。
- 参考スコア（独自算出の注目度）: 10.157022935317668
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accessing high-quality video content can be challenging due to insufficient
and unstable network bandwidth. Recent advances in neural enhancement have
shown promising results in improving the quality of degraded videos through
deep learning. Neural-Enhanced Streaming (NES) incorporates this new approach
into video streaming, allowing users to download low-quality video segments and
then enhance them to obtain high-quality content without violating the playback
of the video stream. We introduce BONES, an NES control algorithm that jointly
manages the network and computational resources to maximize the quality of
experience (QoE) of the user. BONES formulates NES as a Lyapunov optimization
problem and solves it in an online manner with near-optimal performance, making
it the first NES algorithm to provide a theoretical performance guarantee. Our
comprehensive experimental results indicate that BONES increases QoE by 4% to
13% over state-of-the-art algorithms, demonstrating its potential to enhance
the video streaming experience for users. Our code and data will be released to
the public.
- Abstract（参考訳）: ネットワーク帯域が不十分で不安定なため、高品質なビデオコンテンツにアクセスすることは難しい。
ニューラルエンハンスメントの最近の進歩は、ディープラーニングによる劣化ビデオの品質向上に有望な成果を示している。
Neural-Enhanced Streaming(NES)は、この新しいアプローチをビデオストリーミングに取り入れることで、ユーザーは低品質のビデオセグメントをダウンロードし、ビデオストリームの再生に違反することなく高品質なコンテンツを取得することができる。
本稿では,ユーザ体験の質(QoE)を最大化するために,ネットワークと計算資源を共同で管理するNES制御アルゴリズムBONESを紹介する。
BONESは、NESをリアプノフ最適化問題として定式化し、ほぼ最適性能でオンライン的に解決し、理論的な性能保証を提供する最初のNESアルゴリズムとなった。
総合的な実験結果から,bonesは最先端のアルゴリズムよりもqoeを4%から13%増加させ,ユーザのビデオストリーミングエクスペリエンスを向上させる可能性を実証した。
私たちのコードとデータは一般公開されます。
関連論文リスト
- Binarized Low-light Raw Video Enhancement [49.65466843856074]
ディープニューラルネットワークは、低照度生ビデオの強化において優れたパフォーマンスを実現している。
本稿では,低照度生ビデオエンハンスメントに超コンパクトなバイナリニューラルネットワーク(BNN)を適用する可能性について検討する。
論文 参考訳（メタデータ） (2024-03-29T02:55:07Z) - Super Efficient Neural Network for Compression Artifacts Reduction and
Super Resolution [2.0762623979470205]
本稿では,人工物削減と超解像を同時に行う軽量畳み込みニューラルネットワーク(CNN)に基づくアルゴリズムを提案する。
その結果,従来のアップスケーリング手法と比較して,ビデオマルチメソッド評価融合(VMAF)スコアが4～6増加していた。
論文 参考訳（メタデータ） (2024-01-26T04:11:14Z) - 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) - AccDecoder: Accelerated Decoding for Neural-enhanced Video Analytics [26.012783785622073]
低画質のビデオは、品質の悪いカメラや、過度に圧縮/切断されたビデオストリーミングプロトコルのために、既存の監視システムによって収集される。
AccDecoderは、リアルタイムおよびニューラルネットワークベースのビデオ分析のための新しいアクセラレーションデコーダである。
論文 参考訳（メタデータ） (2023-01-20T16:30:44Z) - CaDM: Codec-aware Diffusion Modeling for Neural-enhanced Video Streaming [15.115975994657514]
Codec-Aware Diffusion Modeling (CaDM) はニューラル・エンハンスド・ビデオ・ストリーミング(NVS)のパラダイムである。
第一に、CaDMは解像度とカラービット深度ビデオフレームを同時に低減することによりエンコーダの圧縮効率を向上する。
論文 参考訳（メタデータ） (2022-11-15T05:14:48Z) - A Coding Framework and Benchmark towards Low-Bitrate Video Understanding [63.05385140193666]
我々は,従来のコーデックとニューラルネットワーク(NN)の両方を活用する,従来型ニューラル混合符号化フレームワークを提案する。
このフレームワークは、動画の移動効率の良いセマンティック表現を確実に保持することで最適化される。
8つのデータセットに3つのダウンストリームタスクを備えた低ビットレートビデオ理解ベンチマークを構築し、このアプローチの顕著な優位性を実証した。
論文 参考訳（メタデータ） (2022-02-06T16:29:15Z) - Low-Fidelity End-to-End Video Encoder Pre-training for Temporal Action
Localization [96.73647162960842]
TALはビデオ理解の基本的な課題だが、難しい課題だ。
既存のtalメソッドは、アクション分類の監督を通じてビデオエンコーダを事前トレーニングする。
本稿では,ローファイダリティ・エンド・ツー・エンド(LoFi)ビデオエンコーダの事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-28T22:18:14Z) - 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) - Towards Deep Learning Methods for Quality Assessment of
Computer-Generated Imagery [2.580765958706854]
従来のビデオコンテンツとは対照的に、ゲームコンテンツはいくつかのゲームにおいて非常に高い動きのような特別な特徴を持つ。
本稿では,ゲーム品質評価のためのディープラーニングベースの品質指標を構築する計画について概説する。
論文 参考訳（メタデータ） (2020-05-02T14:08:39Z) - Non-Adversarial Video Synthesis with Learned Priors [53.26777815740381]
我々は、参照入力フレームを使わずに、遅延雑音ベクトルからビデオを生成する問題に焦点をあてる。
本研究では,入力潜時空間,繰り返しニューラルネットワークの重み付け,非対角学習によるジェネレータを協調的に最適化する手法を開発した。
提案手法は,既存の最先端手法と比較して高品質なビデオを生成する。
論文 参考訳（メタデータ） (2020-03-21T02:57:33Z) - Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video
Streaming over HTTP [89.30855958779425]
Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。
本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
論文 参考訳（メタデータ） (2019-12-27T01:19:14Z)
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。