論文の概要: Ultra-lightweight Neural Video Representation Compression

• arxiv url: http://arxiv.org/abs/2512.04019v1
• Date: Wed, 03 Dec 2025 17:56:44 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:06:52.576884
• Title: Ultra-lightweight Neural Video Representation Compression
• Title（参考訳）: 超軽量ニューラルビデオ表現圧縮
• Authors: Ho Man Kwan, Tianhao Peng, Ge Gao, Fan Zhang, Mike Nilsson, Andrew Gower, David Bull,
• Abstract要約: ニューラルビデオ表現に2つの重要な変更を加えたNVRC-Liteを提案する。 まず、マルチスケールの機能グリッドを軽量なニューラル表現に統合しました。 第二に、既存のINRがエントロピー符号化に自己回帰モデルを利用するという問題に対処する。 実験の結果, NVRC-Lite は INR ベースのビデオコーデックの最高性能である C3 より優れていた。
• 参考スコア（独自算出の注目度）: 18.390031994984096
• License:
• Abstract: Recent works have demonstrated the viability of utilizing over-fitted implicit neural representations (INRs) as alternatives to autoencoder-based models for neural video compression. Among these INR-based video codecs, Neural Video Representation Compression (NVRC) was the first to adopt a fully end-to-end compression framework that compresses INRs, achieving state-of-the-art performance. Moreover, some recently proposed lightweight INRs have shown comparable performance to their baseline codecs with computational complexity lower than 10kMACs/pixel. In this work, we extend NVRC toward lightweight representations, and propose NVRC-Lite, which incorporates two key changes. Firstly, we integrated multi-scale feature grids into our lightweight neural representation, and the use of higher resolution grids significantly improves the performance of INRs at low complexity. Secondly, we address the issue that existing INRs typically leverage autoregressive models for entropy coding: these are effective but impractical due to their slow coding speed. In this work, we propose an octree-based context model for entropy coding high-dimensional feature grids, which accelerates the entropy coding module of the model. Our experimental results demonstrate that NVRC-Lite outperforms C3, one of the best lightweight INR-based video codecs, with up to 21.03% and 23.06% BD-rate savings when measured in PSNR and MS-SSIM, respectively, while achieving 8.4x encoding and 2.5x decoding speedup. The implementation of NVRC-Lite will be made available.
• Abstract（参考訳）: 最近の研究は、ニューラルビデオ圧縮のためのオートエンコーダベースのモデルに代わるものとして、過度に適合した暗黙的ニューラル表現(INR)を活用する可能性を示している。 これらのINRベースのビデオコーデックのうち、Neural Video Representation Compression (NVRC)は、INRを圧縮し最先端のパフォーマンスを達成する完全なエンドツーエンド圧縮フレームワークを最初に採用した。 さらに、最近提案された軽量INRは、10kMACs/ピクセル未満の計算複雑性を持つベースラインコーデックに匹敵する性能を示した。 本研究では,NVRCを軽量な表現に拡張し,二つの重要な変化を取り入れたNVRC-Liteを提案する。 まず,マルチスケールの特徴グリッドを軽量なニューラル表現に統合し,高解像度グリッドを使用することで,INRの性能が大幅に向上する。 第二に、既存のINRはエントロピー符号化に自己回帰モデルを利用するのが一般的である、という問題に対処する。 本研究では,高次元特徴格子をエントロピー符号化するためのオクツリー型コンテキストモデルを提案する。 NVRC-Lite は,PSNR と MS-SSIM でそれぞれ最大21.03% と 23.06% のBD-rate を削減し,8.4x の符号化速度と2.5倍の復号速度を実現した。 NVRC-Liteの実装が利用可能になる。

関連論文リスト

• Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
  成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。 本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。 この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
  論文  参考訳（メタデータ） (2025-05-24T15:52:49Z)
• Efficient Neural Video Representation with Temporally Coherent Modulation [6.339750087526286]
  Inlicit Neural representations (INR) は様々な分野にまたがって成功している。 本稿では,映像の動的特徴を捉える新しいフレームワークである時間的コヒーレント変調(NVTM)を用いたニューラルビデオ表現を提案する。 本フレームワークは,時間的に時間的に対応可能な画素を一度に実現し,ビデオ品質の適切な符号化速度を実現する。
  論文  参考訳（メタデータ） (2025-05-01T06:20:42Z)
• NVRC: Neural Video Representation Compression [13.131842990481038]
  我々は、新しいINRベースのビデオ圧縮フレームワーク、Neural Video Representation Compression (NVRC)を提案する。 NVRCは初めて、INRベースのビデオをエンドツーエンドで最適化することができる。 実験の結果,NVRCは従来のベンチマークエントロピーよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-11T16:57:12Z)
• PNVC: Towards Practical INR-based Video Compression [14.088444622391501]
  自動エンコーダと過度に適合したソリューションを革新的に組み合わせた新しいINRベースのコーディングフレームワークであるPNVCを提案する。 PNVCはHEVC HM 18.0(LD)に対して35%以上のBDレートの節約を実現している。
  論文  参考訳（メタデータ） (2024-09-02T05:31:11Z)
• HiNeRV: Video Compression with Hierarchical Encoding-based Neural Representation [14.088444622391501]
  Implicit Representations (INRs) は画像やビデオのコンテントの表現や圧縮に使われてきた。 既存のINRベースの手法は、ビデオ圧縮の最先端技術に匹敵する速度性能を達成できなかった。 軽量層と階層的位置符号化を組み合わせたINRであるHiNeRVを提案する。
  論文  参考訳（メタデータ） (2023-06-16T12:59:52Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Scalable Neural Video Representations with Learnable Positional Features [73.51591757726493]
  我々は,学習可能な位置特徴(NVP)を用いて,映像を潜時符号として効果的に再生するニューラル表現の訓練方法を示す。 一般的なUVGベンチマークにおけるNVPの優位性を実証し,先行技術と比較して,NVPは2倍の速度(5分以内)で走行するだけでなく,符号化品質も34.07rightarrow$34.57(PSNR測定値で測定)に上回っている。
  論文  参考訳（メタデータ） (2022-10-13T08:15:08Z)
• Conditional Entropy Coding for Efficient Video Compression [82.35389813794372]
  本稿では,フレーム間の条件エントロピーをモデル化することのみに焦点を当てた,非常にシンプルで効率的なビデオ圧縮フレームワークを提案する。 まず、画像遅延符号間のエントロピーをモデル化する単純なアーキテクチャが、他のニューラルビデオ圧縮やビデオコーデックと同等の競争力を持つことを示す。 次に、このアーキテクチャの上に新しい内部学習拡張を提案し、復号速度を抑えることなく10%の節約を実現した。
  論文  参考訳（メタデータ） (2020-08-20T20:01:59Z)
• Learning for Video Compression with Recurrent Auto-Encoder and Recurrent Probability Model [164.7489982837475]
  本稿では、リカレントオートエンコーダ(RAE)とリカレント確率モデル(RPM)を用いたリカレントラーニングビデオ圧縮(RLVC)手法を提案する。 RAEは、ビデオフレーム間の時間的相関を利用するために、エンコーダとデコーダの両方で繰り返しセルを使用する。 提案手法は,PSNRとMS-SSIMの両方の観点から,最先端の学習ビデオ圧縮性能を実現する。
  論文  参考訳（メタデータ） (2020-06-24T08:46:33Z)

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。