論文の概要: Boosting Neural Video Codec via Scale-Driven Online Flow Refinement
- arxiv url: http://arxiv.org/abs/2606.23023v1
- Date: Mon, 22 Jun 2026 08:36:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 00:40:11.631888
- Title: Boosting Neural Video Codec via Scale-Driven Online Flow Refinement
- Title（参考訳）: スケール駆動型オンラインフローリファインメントによるニューラルビデオコーデックの強化
- Authors: Tiange Zhang, Rongqun Lin, Haocheng Tang, Xiandong Meng, Weijia Jiang, Zhimeng Huang, Siwei Ma,
- Abstract要約: 本稿では,訓練不要なスケール駆動型オンラインフローリファインメント(SOFR)手法を提案する。
ワープ精度に応じて粗さや微細なスケールからの動作情報を融合し、動作推定誤差を効果的に補正する。
PSNRとMS-SSIMでそれぞれ平均2.84%と4.05%の貯蓄がある。
- 参考スコア（独自算出の注目度）: 59.68390983151205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although state-of-the-art neural video codecs (NVCs) have achieved remarkable performance, they suffer from limited generalization when encountering complex motion patterns unseen during training. To bridge this domain gap without the expensive cost of online fine-tuning, we propose a Training-Free Scale-Driven Online Flow Refinement (SOFR) method. Serving as a plug-and-play module, SOFR integrates motion information from coarse and fine scales and dynamically fuses them according to warping accuracy, effectively rectifying motion estimation errors with negligible computational overhead. Furthermore, we design a rate-aware strategy that selects different dynamic fusion strategies according to bitrate modes, and employs a reliability check based on warping error to ensure robustness. Extensive experiments on the USTC-TD dataset verify the effectiveness and generalization of SOFR across various NVC frameworks, including DCVC-SDD, DCVC-FM, and EHVC. Notably, it brings an average of 2.84% and 4.05% bitrate savings in terms of PSNR and MS-SSIM, respectively, to DCVC-FM with negligible coding time increase. Our code is available at https://github.com/SunnyMass/SOFR.
- Abstract（参考訳）: 最先端のニューラルビデオコーデック(NVC)は目覚ましい性能を達成したが、訓練中に見つからない複雑な動きパターンに遭遇する際には、限られた一般化に悩まされる。
オンラインファインチューニングのコストを伴わずにドメインギャップを埋めるため,トレーニングフリースケール駆動型オンラインフローリファインメント(SOFR)手法を提案する。
プラグアンドプレイモジュールとして機能するSOFRは、粗いスケールや細かいスケールからの動き情報を統合し、ワープ精度に応じて動的に融合し、無視可能な計算オーバーヘッドで動作推定誤差を効果的に修正する。
さらに、ビットレートモードに応じて異なる動的融合戦略を選択するレートアウェア戦略を設計し、整合誤差に基づく信頼性チェックを用いてロバスト性を確保する。
USTC-TDデータセットの大規模な実験は、DCVC-SDD、DCVC-FM、EHVCを含む様々なNVCフレームワークにおけるSOFRの有効性と一般化を検証する。
特にPSNRとMS-SSIMの点で平均2.84%と4.05%のビットレートの節約をDCVC-FMにもたらす。
私たちのコードはhttps://github.com/SunnyMass/SOFRで利用可能です。
関連論文リスト
- Neural Video Compression with Domain Transfer [67.17233008935996]
DCVC-DTはドメイン転送強化ニューラルビデオ圧縮フレームワークである。
本研究では,品質変動に基づく損失におけるRとDの比を積極的に制御するフレームレベルの動的RD(Rate and Distortion)調整手法を開発した。
論文 参考訳（メタデータ） (2026-05-13T13:02:40Z) - Enhancing Neural Video Compression of Static Scenes with Positive-Incentive Noise [51.028614105626154]
監視フィードやビデオテレフォニーストリームのような静的なシーンビデオは、ストレージ消費とネットワークトラフィックの圧倒的なシェアを占める。
従来の標準コーデックとニューラルビデオ圧縮(NVC)手法は、時間的冗長性の不十分な使用と、トレーニングデータとテストデータの間の重大な分散ギャップのために、これらのビデオを効率的にエンコードするのに苦労している。
静的シーンビデオのNVCに正のインセンティブノイズを組み込むことを提案し, 短時間の時間変化を正のインセンティブノイズとして再解釈し, モデル微調整を容易にする。
論文 参考訳（メタデータ） (2026-03-06T09:47:25Z) - Learned Rate Control for Frame-Level Adaptive Neural Video Compression via Dynamic Neural Network [8.645355715511702]
可変シナリオ用に設計された動的ビデオ圧縮フレームワークを提案する。
提案手法は,最先端法よりも平均BD-Rateの14.8%,BD-PSNRの0.47dBのゲインを達成できる。
論文 参考訳（メタデータ） (2025-08-28T12:27:23Z) - NinA: Normalizing Flows in Action. Training VLA Models with Normalizing Flows [75.70583906344815]
拡散モデルは、複雑なマルチモーダルな動作分布をモデル化できるため、アクションデコーダとして広く採用されている。
我々は、Vision-Language-Action(VLA)モデルのための拡散型デコーダの高速かつ表現性の高い代替品であるNinAを提案する。
論文 参考訳（メタデータ） (2025-08-23T00:02:15Z) - Towards Practical Real-Time Neural Video Compression [60.390180067626396]
我々は,高圧縮比,低レイテンシ,広範汎用性を実現するために設計された実用的リアルタイムニューラルビデオ(NVC)を紹介する。
実験により,提案したDCVC-RTは1080pビデオに対して125.2/112.8フレーム(毎秒125.2/112.8フレーム)の高速符号化を実現し,H.266/VTMと比較して21%のfpsを節約できた。
論文 参考訳（メタデータ） (2025-02-28T06:32:23Z) - Neural Video Coding using Multiscale Motion Compensation and
Spatiotemporal Context Model [45.46660511313426]
エンド・ツー・エンドのディープ・ニューラル・ビデオ・コーディング・フレームワーク(NVC)を提案する。
フレーム内画素、フレーム間運動、フレーム間補償残差の相関を利用するために、共同空間および時間的事前集約(PA)を備えた可変オートエンコーダ(VAE)を使用する。
NVCは低遅延因果条件で評価され、H.265/HEVC、H.264/AVC、その他の学習ビデオ圧縮法と比較される。
論文 参考訳（メタデータ） (2020-07-09T06:15:17Z)
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。