論文の概要: A Self-Supervised Learning Framework for Video Encoding Complexity Clustering

• arxiv url: http://arxiv.org/abs/2606.29166v1
• Date: Sun, 28 Jun 2026 03:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.819104
• Title: A Self-Supervised Learning Framework for Video Encoding Complexity Clustering
• Title（参考訳）: ビデオ符号化複雑度クラスタリングのための自己教師付き学習フレームワーク
• Abstract要約: アダプティブ・ビデオ・ストリーミング(Adaptive video streaming)は、インターネット上で動画コンテンツを配信する手法である。 重要な課題の1つは、各ビデオの最適なエンコーディング設定を決定することである。 圧縮エコーコントラスト学習(Compression Echo Contrastive Learning)を提案する。
• 参考スコア（独自算出の注目度）: 25.158228645127036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive video streaming is a widely used technique for delivering video content over the internet. One of the key challenges is determining the optimal encoding settings for each video, which can vary significantly based on its content and characteristics. In this paper, we propose Compression Echo Contrastive Learning (CECL), a novel self-supervised learning framework for clustering videos based on their encoding complexity. Our method leverages the response of a video to compression - the Compression Echo - as a supervisory signal, allowing the model to capture underlying encoding characteristics during pretraining. We conduct extensive experiments to demonstrate the effectiveness of our learned representations for the downstream task of clustering videos by their encoding complexity. Our results show that CECL improves upon existing state-of-the-art visual encoders and delivers strong bitrate and quality savings against the fixed bitrate ladder.
• Abstract（参考訳）: アダプティブ・ビデオ・ストリーミング(Adaptive video streaming)は、インターネット上で動画コンテンツを配信する手法である。 重要な課題の1つは、各ビデオの最適なエンコーディング設定を決定することである。 本稿では,圧縮エコーコントラスト学習(CECL, Compression Echo Contrastive Learning)を提案する。 本手法は,映像の圧縮に対する応答(圧縮エコー)をスーパーバイザ信号として利用することにより,事前学習中に基礎となる符号化特性を捉えることができる。 符号化複雑性によるクラスタリングビデオの下流処理における学習表現の有効性を実証するために、広範囲にわたる実験を行った。 以上の結果から,CECLは既存の最先端のビジュアルエンコーダを改良し,固定ビットレートラグに対して強力なビットレートと品質の節約を実現していることがわかった。

関連論文リスト

• Plug-and-Play Versatile Compressed Video Enhancement [57.62582951699999]
  ビデオ圧縮はファイルのサイズを効果的に削減し、リアルタイムのクラウドコンピューティングを可能にする。 しかし、それは視覚的品質の犠牲となり、下流の視覚モデルの堅牢性に挑戦する。 本稿では,異なる圧縮条件下で動画を適応的に拡張する多言語対応拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T18:39:31Z)
• REGEN: Learning Compact Video Embedding with (Re-)Generative Decoder [52.698595889988766]
  生成モデルのためのビデオ埋め込み学習について,新しい視点を提示する。 入力ビデオの正確な再生を必要とせず、効果的な埋め込みは視覚的に妥当な再構築に焦点を当てるべきである。 本稿では,従来のエンコーダ・デコーダ・ビデオ埋め込みをエンコーダ・ジェネレータ・フレームワークに置き換えることを提案する。
  論文  参考訳（メタデータ） (2025-03-11T17:51:07Z)
• When Video Coding Meets Multimodal Large Language Models: A Unified Paradigm for Video Coding [118.72266141321647]
  CMVC(Cross-Modality Video Coding)は、ビデオ符号化における多モード表現とビデオ生成モデルを探索する先駆的な手法である。 復号化の際には、以前に符号化されたコンポーネントとビデオ生成モデルを利用して複数の復号モードを生成する。 TT2Vは効果的な意味再構成を実現し,IT2Vは競争力のある知覚整合性を示した。
  論文  参考訳（メタデータ） (2024-08-15T11:36:18Z)
• Hybrid Contrastive Quantization for Efficient Cross-View Video Retrieval [55.088635195893325]
  クロスビュービデオ検索のための最初の量子化表現学習法,すなわちHybrid Contrastive Quantization(HCQ)を提案する。 HCQは、粗粒度と微粒度の両方を変換器で学習し、テキストやビデオの補完的な理解を提供する。 3つのWebビデオベンチマークデータセットの実験により、HCQは最先端の非圧縮検索手法と競合する性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T18:04:10Z)
• 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)
• Multitask Learning for VVC Quality Enhancement and Super-Resolution [11.446576112498596]
  デコードされたVVCビデオ品質を高めるための後処理のステップとして学習ベースのソリューションを提案します。 提案手法はマルチタスク学習に依存し,複数のレベルに最適化された1つの共有ネットワークを用いて品質向上と超解像化を実現する。
  論文  参考訳（メタデータ） (2021-04-16T19:05:26Z)
• Learned Video Codec with Enriched Reconstruction for CLIC P-frame Coding [11.000499414131324]
  本稿では,学習画像圧縮(clic, cvprworkshop)2020 p-frame符号化のための学習ベースのビデオを提案する。 より具体的には、残差符号信号と運動ベクトルのためのRefine-Netを用いた圧縮機ネットワークを設計した。 ビデオでは,CLIC P-frame Challengeで指定されたデコーダ側の完全参照フレームを用いて,その性能を示す。
  論文  参考訳（メタデータ） (2020-12-14T12:32:46Z)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)

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。