論文の概要: RTSR: A Real-Time Super-Resolution Model for AV1 Compressed Content

• arxiv url: http://arxiv.org/abs/2411.13362v1
• Date: Wed, 20 Nov 2024 14:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:09:53.933796
• Title: RTSR: A Real-Time Super-Resolution Model for AV1 Compressed Content
• Title（参考訳）: RTSR - AV1圧縮コンテンツのリアルタイム超解法モデル
• Authors: Yuxuan Jiang, Jakub Nawała, Chen Feng, Fan Zhang, Xiaoqing Zhu, Joel Sole, David Bull,
• Abstract要約: 超解像度(SR)は、映像コンテンツの視覚的品質を改善するための重要な技術である。 リアルタイム再生をサポートするためには,高速SRモデルの実装が重要である。 本稿では,圧縮映像の視覚的品質を高めるために,低複雑さSR手法RTSRを提案する。
• 参考スコア（独自算出の注目度）: 10.569678424799616
• License:
• Abstract: Super-resolution (SR) is a key technique for improving the visual quality of video content by increasing its spatial resolution while reconstructing fine details. SR has been employed in many applications including video streaming, where compressed low-resolution content is typically transmitted to end users and then reconstructed with a higher resolution and enhanced quality. To support real-time playback, it is important to implement fast SR models while preserving reconstruction quality; however most existing solutions, in particular those based on complex deep neural networks, fail to do so. To address this issue, this paper proposes a low-complexity SR method, RTSR, designed to enhance the visual quality of compressed video content, focusing on resolution up-scaling from a) 360p to 1080p and from b) 540p to 4K. The proposed approach utilizes a CNN-based network architecture, which was optimized for AV1 (SVT)-encoded content at various quantization levels based on a dual-teacher knowledge distillation method. This method was submitted to the AIM 2024 Video Super-Resolution Challenge, specifically targeting the Efficient/Mobile Real-Time Video Super-Resolution competition. It achieved the best trade-off between complexity and coding performance (measured in PSNR, SSIM and VMAF) among all six submissions. The code will be available soon.
• Abstract（参考訳）: 超解像度(SR)は、細部を再構築しながら空間分解能を高めて映像コンテンツの視覚的品質を向上させるための重要な技術である。 SRはビデオストリーミングを含む多くのアプリケーションで使われており、圧縮された低解像度のコンテンツは通常エンドユーザに送信され、より高い解像度と高画質で再構成される。 リアルタイム再生をサポートするためには、再構築品質を維持しながら高速SRモデルを実装することが重要である。 そこで本稿では,圧縮映像の画質向上を目的とした低複雑さSR手法RTSRを提案する。 a) 360p から 1080p まで b) 540p〜4K。 AV1(SVT)エンコードされたコンテンツを多量化レベルで最適化したCNNベースのネットワークアーキテクチャを用いた。 この手法はAIM 2024 Video Super-Resolution Challengeに提案され、特に効率的なモバイルリアルタイムビデオスーパー-Resolutionコンペティションを対象としている。 複雑性とコーディング性能(PSNR、SSIM、VMAFで測定される)の最良のトレードオフを6つのサブミッションで達成した。 コードはまもなく利用可能になる。

関連論文リスト

• Standard compliant video coding using low complexity, switchable neural wrappers [8.149130379436759]
  標準互換性、高性能、低復号化の複雑さを特徴とする新しいフレームワークを提案する。 私たちは、標準的なビデオをラップして、異なる解像度でビデオをエンコードする、共同最適化されたニューラルプリプロセッサとポストプロセッサのセットを使用します。 我々は、異なるアップサンプリング比を処理できる低複雑性のニューラルポストプロセッサアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-07-10T06:36:45Z)
• Hierarchical Patch Diffusion Models for High-Resolution Video Generation [50.42746357450949]
  我々は,階層的な方法で,コンテキスト情報を低スケールから高スケールのパッチに伝播する深層文脈融合を開発する。 また,ネットワーク容量の増大と,粗い画像の細部への演算を行う適応計算を提案する。 得られたモデルは、クラス条件のビデオ生成において66.32の最先端FVDスコアと87.68のインセプションスコアを新たに設定する。
  論文  参考訳（メタデータ） (2024-06-12T01:12:53Z)
• 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)
• 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)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• Real-Time Super-Resolution System of 4K-Video Based on Deep Learning [6.182364004551161]
  ビデオレゾリューション(VSR)技術は低品質のビデオ計算において優れており、職業ベースのアルゴリズムによって生じる不快なブラー効果を回避している。 本稿では、リアルタイムVSシステムの可能性について検討し、EGVSRと呼ばれる効率的な汎用VSRネットワークを設計する。 現在最も先進的なVSRネットワークであるTecoGANと比較して、密度の84%削減と7.92倍の性能向上を実現している。
  論文  参考訳（メタデータ） (2021-07-12T10:35:05Z)
• BasicVSR++: Improving Video Super-Resolution with Enhanced Propagation and Alignment [90.81396836308085]
  我々は,伝播とアライメントの強化による再生フレームワークの強化により,映像情報をより効果的に活用できることを示す。 我々のモデルである BasicVSR++ は PSNR で BasicVSR を 0.82 dB で上回っている。 BasicVSR++は圧縮ビデオ強化などの他のビデオ復元タスクによく一般化される。
  論文  参考訳（メタデータ） (2021-04-27T17:58:31Z)
• 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)
• AIM 2020 Challenge on Video Extreme Super-Resolution: Methods and Results [96.74919503142014]
  本稿では,ECCV 2020におけるAIM 2020ワークショップに関連する超高解像度映像についてレビューする。 トラック1は、PSNRとSSIMによって基底真理への忠実度を測定するような要求されたタスクの最先端度を測定するために設定される。 トラック2は、人間の知覚に応じてランク付けされた視覚的に満足な結果を生成することを目的としており、ユーザスタディによって評価されている。
  論文  参考訳（メタデータ） (2020-09-14T09:36:25Z)
• 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。