論文の概要: Frequency-Assisted Adaptive Sharpening Scheme Considering Bitrate and Quality Tradeoff
- arxiv url: http://arxiv.org/abs/2508.08854v1
- Date: Tue, 12 Aug 2025 11:22:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.404224
- Title: Frequency-Assisted Adaptive Sharpening Scheme Considering Bitrate and Quality Tradeoff
- Title（参考訳）: ビットレートと品質トレードオフを考慮した周波数支援適応シャープ方式
- Authors: Yingxue Pang, Shijie Zhao, Haiqiang Wang, Gen Zhan, Junlin Li, Li Zhang,
- Abstract要約: クオリティ・オブ・サービス(QoS)が劣化する結果、シャープ化レベルが向上する。
本稿では、周波数支援シャーニングレベル予測モデル(FreqSP)を提案する。
- 参考スコア（独自算出の注目度）: 10.281371309999946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sharpening is a widely adopted technique to improve video quality, which can effectively emphasize textures and alleviate blurring. However, increasing the sharpening level comes with a higher video bitrate, resulting in degraded Quality of Service (QoS). Furthermore, the video quality does not necessarily improve with increasing sharpening levels, leading to issues such as over-sharpening. Clearly, it is essential to figure out how to boost video quality with a proper sharpening level while also controlling bandwidth costs effectively. This paper thus proposes a novel Frequency-assisted Sharpening level Prediction model (FreqSP). We first label each video with the sharpening level correlating to the optimal bitrate and quality tradeoff as ground truth. Then taking uncompressed source videos as inputs, the proposed FreqSP leverages intricate CNN features and high-frequency components to estimate the optimal sharpening level. Extensive experiments demonstrate the effectiveness of our method.
- Abstract（参考訳）: シャープニングは、テクスチャを効果的に強調し、ぼやけを軽減できる、ビデオ品質を改善するための広く採用されているテクニックである。
しかし、シャープ化レベルが向上すると、ビデオビットレートが向上し、QoS(Quality of Service)が劣化する。
さらに、ビデオの品質が必ずしも向上するとは限らないため、シャープ化などの問題が生じる。
明らかに、帯域幅のコストを効果的に制御しながら、適切なシャープ化レベルでビデオ品質を向上する方法を理解することが不可欠である。
本稿では,周波数支援型シャープニングレベル予測モデル(FreqSP)を提案する。
まず、各ビデオに最適なビットレートと品質トレードオフに関連するシャープ化レベルを基本真実としてラベル付けする。
そして、圧縮されていないソースビデオを入力として、FreqSPは複雑なCNN特徴と高周波成分を活用し、最適なシャープ化レベルを推定する。
大規模な実験により,本手法の有効性が示された。
関連論文リスト
- Adaptive High-Frequency Preprocessing for Video Coding [9.492217153689428]
ビデオの明瞭さとリアリズムを維持するためには高周波コンポーネントが不可欠だが、符号化にも大きく影響し、帯域幅とストレージコストが増大する。
本稿では,ビデオ符号化における主観的品質と保存性を高めるために,適応型高周波前処理のためのエンドツーエンド学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-12T11:16:02Z) - Region-Adaptive Video Sharpening via Rate-Perception Optimization [9.866312854119705]
本稿では、エンドツーエンドの領域適応型ビデオシャープモデルであるRPO-AdaSharpを提案する。
符号化ツリー単位(CTU)パーティションマスクを事前情報として使用し、増加ビットの割り当てをガイドし、制限する。
論文 参考訳（メタデータ） (2025-08-12T09:51:23Z) - Cascading Refinement Video Denoising with Uncertainty Adaptivity [2.50194939587674]
本稿では,画像のアライメントと復元を同時に行うカスケード精細ビデオ復調手法を提案する。
この方法を適用することで、計算全体の平均25%が削減された。
論文 参考訳（メタデータ） (2024-08-05T07:34:44Z) - FRAG: Frequency Adapting Group for Diffusion Video Editing [20.251571476101088]
高周波漏れは、デノナイジング過程における高周波成分に由来することが多い。
我々は、一貫性と忠実度の観点からビデオ品質を向上させる周波数適応グループ(FRAG)を考案する。
論文 参考訳（メタデータ） (2024-06-10T06:24:19Z) - Blurry Video Compression: A Trade-off between Visual Enhancement and
Data Compression [65.8148169700705]
既存のビデオ圧縮(VC)手法は主に、ビデオ内の連続フレーム間の空間的および時間的冗長性を減らすことを目的としている。
これまでの研究は、インスタント(既知の)露光時間やシャッタースピードなどの特定の設定で取得されたビデオに対して、顕著な成果を上げてきた。
本研究では,シーン内のカメラ設定やダイナミックスによって,所定の映像がぼやけてしまうという一般的なシナリオにおいて,VCの問題に取り組む。
論文 参考訳（メタデータ） (2023-11-08T02:17:54Z) - High Visual-Fidelity Learned Video Compression [6.609832462227998]
我々は,HVFVC(High Visual-Fidelity Learned Video Compression framework)を提案する。
具体的には,新たに出現した地域での貧弱な復興問題に対処するために,信頼度に基づく新しい特徴再構成手法を設計する。
広汎な実験により提案したHVFVCは、50%しか必要とせず、最新のVVC標準よりも優れた知覚品質が得られることが示された。
論文 参考訳（メタデータ） (2023-10-07T03:27:45Z) - FAST-VQA: Efficient End-to-end Video Quality Assessment with Fragment
Sampling [54.31355080688127]
現在のDeep Video Quality Assessment (VQA) 法は通常、高解像度ビデオを評価する際に高い計算コストがかかる。
そこで我々はGrid Mini-patch Smpling (GMS)を提案する。
フラグメント・アテンション・ネットワーク(FANet)は,フラグメントを入力として扱うように設計されている。
FAST-VQAは1080P高解像度ビデオで99.5%のFLOPを削減し、最先端の精度を約10%向上させる。
論文 参考訳（メタデータ） (2022-07-06T11:11:43Z) - 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) - Adaptive Debanding Filter [55.42929350861115]
バンディングアーティファクトは、写真やビデオフレームに階段のような色のバンドとして現れます。
後処理モジュールとして,コンテンツ適応型スムースなフィルタリングと拡張量子化を提案する。
実験結果から,提案した解離フィルタは,最先端の偽輪郭除去アルゴリズムよりも視覚的,定量的に優れていることがわかった。
論文 参考訳（メタデータ） (2020-09-22T20:44:20Z) - Multi-level Wavelet-based Generative Adversarial Network for Perceptual
Quality Enhancement of Compressed Video [51.631731922593225]
既存の手法は主に、その知覚的品質を無視しながら、圧縮映像の客観的品質を高めることに焦点を当てている。
圧縮ビデオの知覚品質を高めるために,マルチレベルウェーブレットパケット変換(WPT)に基づくGAN(Generative Adversarial Network)を提案する。
論文 参考訳（メタデータ） (2020-08-02T15:01:38Z)
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。