論文の概要: NanoVSR: Towards Real-Time Video Super-Resolution on Edge Devices

• arxiv url: http://arxiv.org/abs/2607.10495v1
• Date: Sat, 11 Jul 2026 22:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.444592
• Title: NanoVSR: Towards Real-Time Video Super-Resolution on Edge Devices
• Title（参考訳）: NanoVSR: エッジデバイスにおけるリアルタイムビデオ超解像を目指して
• Abstract要約: NanoVSRは、リソース時間エッジデバイス用に設計されたスケーラブルで完全な畳み込みアーキテクチャである。 推論中に標準の畳み込みに陥り、シームレスなハードウェア互換性が保証される。 暗黙的に学習制約のあるアライメントによって、競争力のある復元品質を維持する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent Video Super-Resolution (VSR) methods rely heavily on transformers and explicit optical flow, creating computational overhead and custom operations that hinder deployment on hardware accelerators like TensorRT. To address this, we introduce NanoVSR, a scalable, fully convolutional architecture designed for resource-constrained edge devices. Using structural reparameterization, NanoVSR collapses into standard convolutions during inference, ensuring seamless hardware compatibility and negligible runtime overhead. Furthermore, despite lacking explicit motion compensation, it maintains competitive restoration quality by implicitly learning spatio-temporal alignments through progressive training. Evaluated on the REDS4 benchmark, NanoVSR demonstrates an exceptional balance between accuracy and computational efficiency, significantly improving the trade-off for compact architectures. Our NanoVSR-644k baseline yields 28.64 dB PSNR while delivering 27.2 FPS on the NVIDIA Jetson Orin NX 16GB (25W), offering massive speed gains over heavier models. The scaled NanoVSR-1.7M variant reaches 29.15 dB with a throughput of 19.58 FPS, providing superior, edge-optimized upscaling. Code is available at https://github.com/filippawlicki/nanovsr.
• Abstract（参考訳）: 最近のビデオ超解法(VSR)法は、トランスフォーマーと明示的な光学フローに大きく依存しており、計算オーバーヘッドとTensorRTのようなハードウェアアクセラレータへのデプロイメントを妨げるカスタム操作を生成する。 そこで我々は,リソース制約のあるエッジデバイス用に設計されたスケーラブルで完全な畳み込みアーキテクチャであるNanoVSRを紹介する。 構造的再パラメータ化を用いることで、NanoVSRは推論中に標準の畳み込みに分解され、シームレスなハードウェア互換性と無視可能なランタイムオーバーヘッドが保証される。 さらに、明示的な運動補償が欠如しているにもかかわらず、プログレッシブトレーニングを通じて時空間アライメントを暗黙的に学習することで、競争的な回復品質を維持する。 REDS4ベンチマークで評価すると、NanoVSRは精度と計算効率の異例なバランスを示し、コンパクトアーキテクチャのトレードオフを大幅に改善した。 我々のNanoVSR-644kベースラインは28.64dBのPSNRを出力し、NVIDIA Jetson Orin NX 16GB (25W)で27.2FPSを提供する。 スケールされたNanoVSR-1.7Mは29.15dBに達し、スループットは19.58FPSであり、優れたエッジ最適化のアップスケーリングを提供する。 コードはhttps://github.com/filippawlicki/nanovsr.comで入手できる。

関連論文リスト

• LiteVSR: Lightweight Adaptation of Frozen Diffusion Transformers for Video Super-Resolution [73.85089704122315]
  軽量な状態認識適応器を備えた冷凍トランスフォーマーを用いて,ビデオ超解法(VSR)を実現するミニマリストフレームワークを提案する。 LiteVSRは、たった11.25%のトレーニング可能なパラメータと1つのA100での12GPU時間のトレーニングで競争力のある復元品質を実現し、高速サンプリング(単一ステップまで)の互換性を維持している。
  論文  参考訳（メタデータ） (2026-06-08T09:23:42Z)
• Pip-Stereo: Progressive Iterations Pruner for Iterative Optimization based Stereo Matching [2.226667542457085]
  反復的改善を解析し,不均一な更新が空間的に疎外であり,時間的に冗長であることを明らかにする。 専用単分子エンコーダを必要とせず,奥行き先を暗黙的に埋め込む,協調的な単分子先行転送フレームワークを提案する。 第3に,構造化空間とI/O意識設計を利用したハードウェア対応RNN演算子であるFlashGRUを開発した。
  論文  参考訳（メタデータ） (2026-02-24T02:51:37Z)
• DiffVC-RT: Towards Practical Real-Time Diffusion-based Perceptual Neural Video Compression [38.495966630021556]
  我々は、リアルタイム拡散に基づくニューラルビデオ圧縮(NVC)を実現するための最初のフレームワークであるDiffVC-RTを提案する。 DiffVC-RTは、NVIDIA H800 GPU上の720pビデオに対して、リアルタイムエンコーディングとデコード速度206/30 fpsのHEVCデータセット上で、LPIPSよりもVTM-17.0よりも80.1%のパーセプティカルセーブを実現していることを示す。
  論文  参考訳（メタデータ） (2026-01-28T12:59:25Z)
• FlashVSR: Towards Real-Time Diffusion-Based Streaming Video Super-Resolution [61.284842030283464]
  FlashVSRは、リアルタイムVSRに向けた最初の拡散ベースのワンステップストリーミングフレームワークである。 A100 GPUで768x1408ビデオの約17FPSで動作する。 超高解像度に確実にスケールし、従来の1ステップ拡散VSRモデルよりも最大12倍のスピードアップで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-10-14T17:25:54Z)
• Asymmetric VAE for One-Step Video Super-Resolution Acceleration [63.419142632861345]
  本稿では,高圧縮VAEを実装することにより,計算コストを大幅に削減するFastVSRを提案する。 FastVSRは、マルチステップモデルに比べて111.9倍、既存のワンステップモデルより3.92倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-09-29T00:36:14Z)
• FCA2: Frame Compression-Aware Autoencoder for Modular and Fast Compressed Video Super-Resolution [68.77813885751308]
  最先端(SOTA)圧縮ビデオ超解像(CVSR)モデルは、長期の推論時間、複雑なトレーニングパイプライン、補助情報への依存など、永続的な課題に直面している。 ハイパースペクトル画像(HSI)とビデオデータの構造的および統計的類似性から着想を得た,効率的でスケーラブルなソリューションを提案する。 提案手法では,計算複雑性を低減し,推論を高速化し,フレーム間の時間情報の抽出を促進する圧縮駆動型次元減少戦略を導入する。
  論文  参考訳（メタデータ） (2025-06-13T07:59:52Z)
• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• Palantir: Towards Efficient Super Resolution for Ultra-high-definition Live Streaming [29.567573296006515]
  Palantirは、きめ細かいパッチレベルのスケジューリングを備えた、最初のニューラルネットワークで強化されたUHDライブストリーミングシステムである。 Palantirは、エンドツーエンドのレイテンシの5.7%未満で、無視可能なスケジュール遅延を発生させる。
  論文  参考訳（メタデータ） (2024-08-12T13:48:06Z)
• Video Super-Resolution Transformer with Masked Inter&Intra-Frame Attention [46.74923772450212]
  Vision Transformerは、低解像度のシーケンスで欠落した詳細を復元することに成功した。 VSRの精度が優れているにもかかわらず、計算負荷と大きなメモリフットプリントはトランスフォーマーベースのVSRモデルの展開を妨げる。 マスク内およびフレーム間アテンション(MIA-VSR)を用いた新しい特徴レベルマスキング処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-12T00:49:49Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• 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)
• PatDNN: Achieving Real-Time DNN Execution on Mobile Devices with Pattern-based Weight Pruning [57.20262984116752]
  粗粒構造の内部に新しい次元、きめ細かなプルーニングパターンを導入し、これまで知られていなかった設計空間の点を明らかにした。 きめ細かいプルーニングパターンによって高い精度が実現されているため、コンパイラを使ってハードウェア効率を向上し、保証することがユニークな洞察である。
  論文  参考訳（メタデータ） (2020-01-01T04:52:07Z)

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。