論文の概要: RTFVE: Realtime Face Video Enhancement
- arxiv url: http://arxiv.org/abs/2607.11034v1
- Date: Mon, 13 Jul 2026 02:58:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.320346
- Title: RTFVE: Realtime Face Video Enhancement
- Title（参考訳）: RTFVE: リアルタイムの顔ビデオ機能強化
- Abstract要約: ビデオデコーダに簡単に組み込むことができ、通常のCPU上でリアルタイムに実行できるRTFVE(Realtime Face Video Enhancement)モデルを導入する。
実験により, 圧縮ビデオベースラインよりも低設定で知覚品質が向上することが確認された。
- 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: There's been a surge in adoption of video conferencing applications for both personal and business use cases. However, the bandwidth limitations faced by many users worldwide may restrict the optimal use of such applications. Although deep learning offers a solution for enhancing low bit rate videos, most models today are either hard to incorporate with modern compression standards or require specialized hardware to run such as significant GPUs making these models impractical. To address these issues, we introduce the Realtime Face Video Enhancement (RTFVE) model which can be easily incorporated with any video decoder and can run in realtime on ordinary CPUs. Experiments show that our model improves perceptual quality over the compressed video baseline at multiple low bitrate settings. The source code will be made available at https://github.com/varun-jois/RTFVE.
- Abstract（参考訳）: 個人とビジネスの両方のユースケースでビデオ会議アプリケーションの採用が急増しています。
しかし、世界中の多くのユーザーが直面している帯域幅制限は、そのようなアプリケーションの最適な使用を制限する可能性がある。
ディープラーニングは、低ビットレートビデオを改善するソリューションを提供するが、今日のほとんどのモデルは、現代的な圧縮標準に組み込むのが難しいか、あるいはこれらのモデルを実用的でないものにするためには、特別なハードウェアを必要とする。
これらの問題に対処するために,ビデオデコーダに簡単に組み込むことができ,通常のCPU上でリアルタイムに実行できるリアルタイム顔映像強調(RTFVE)モデルを導入する。
実験により,複数の低ビットレート設定で圧縮されたビデオベースラインよりも知覚品質が向上することが示された。
ソースコードはhttps://github.com/varun-jois/RTFVEで公開されている。
関連論文リスト
- FSFVE: Few Shot Compressed Face Video Enhancement [0.0]
高度に圧縮されたビデオコールを向上するための新しいフレームワークを提案する。
顔の10フレームしか持たない状態で、素早くモデルを訓練して、ビデオコールのインスタンスを強化できることが示されています。
モデルは通話前または通話中のいずれかでトレーニングすることができ、より良い品質のビデオを生成することで通話の残りの部分を強化することができる。
論文 参考訳（メタデータ） (2026-07-13T03:12:07Z) - Neural Video Compression using 2D Gaussian Splatting [0.0]
本稿では,2次元ガウススプラッティングを利用した関心領域に基づくニューラルビデオ圧縮モデルを提案する。
本研究では,従来のガウススプラッティング画像の符号化時間を88%高速化するビデオパイプラインを設計した。
論文 参考訳（メタデータ） (2025-05-14T12:23:53Z) - REDUCIO! Generating 1K Video within 16 Seconds using Extremely Compressed Motion Latents [110.41795676048835]
大規模アプリケーションにとって重要な障害のひとつは、高価なトレーニングと推論コストである。
我々は、ビデオには画像よりもはるかに冗長な情報が含まれており、非常に少ない動きでエンコードできると主張している。
我々は、映像を非常に圧縮された潜在空間に投影する画像条件付きVAEを設計し、コンテンツ画像に基づいてデコードする。
論文 参考訳（メタデータ） (2024-11-20T18:59:52Z) - Adaptive Caching for Faster Video Generation with Diffusion Transformers [52.73348147077075]
拡散変換器(DiT)はより大きなモデルと重い注意機構に依存しており、推論速度が遅くなる。
本稿では,Adaptive Caching(AdaCache)と呼ばれる,ビデオDiTの高速化のためのトレーニング不要手法を提案する。
また,AdaCache内で動画情報を利用するMoReg方式を導入し,動作内容に基づいて計算割り当てを制御する。
論文 参考訳（メタデータ） (2024-11-04T18:59:44Z) - AIM 2024 Challenge on Efficient Video Super-Resolution for AV1 Compressed Content [56.552444900457395]
ビデオスーパーレゾリューション(VSR)は、特にストリーミングアプリケーションにおいて、低ビットレートおよび低解像度ビデオを強化するための重要なタスクである。
本研究では,これらの課題に対処するために様々な手法をコンパイルし,その解決策はエンドツーエンドのビデオ超解像フレームワークである。
提案されたソリューションは、一般的なケースとして540pから4K(x4)、モバイルデバイス向けに調整された360pから1080p(x3)の2つのアプリケーションのためのビデオアップスケーリングに取り組む。
論文 参考訳（メタデータ） (2024-09-25T18:12:19Z) - VcLLM: Video Codecs are Secretly Tensor Codecs [22.062439249597436]
ビデオコーデックは多目的かつ汎用的なテンソルコーデックであることを示す。
我々はGPU上で利用可能なハードウェアビデオエンコーディングとデコードモジュールを利用して、推論とトレーニングの両方が可能なフレームワークを作成します。
これにより、メモリ容量と通信帯域幅の要件が大幅に削減され、コンシューマグレードのGPU上で大規模なモデルのトレーニングと推論が可能になる。
論文 参考訳（メタデータ） (2024-06-29T15:24:33Z) - MagicVideo: Efficient Video Generation With Latent Diffusion Models [76.95903791630624]
我々はMagicVideoと呼ばれる遅延拡散モデルに基づく効率的なテキスト・ビデオ生成フレームワークを提案する。
低次元空間における映像の配布をモデル化する新しい3次元U-Netの設計により、MagicVideoは1枚のGPUカード上で256×256の空間解像度でビデオクリップを合成できる。
我々は広範な実験を行い、MagicVideoが現実的または虚構的なコンテンツで高品質なビデオクリップを作成できることを実証した。
論文 参考訳（メタデータ） (2022-11-20T16:40:31Z) - Compressed Vision for Efficient Video Understanding [83.97689018324732]
本稿では,2時間ビデオの処理が可能なハードウェアを用いて,時間長動画の研究を可能にするフレームワークを提案する。
私たちは、JPEGなどの標準的なビデオ圧縮をニューラル圧縮に置き換え、圧縮されたビデオを通常のビデオネットワークへの入力として直接フィードできることを示します。
論文 参考訳（メタデータ） (2022-10-06T15:35:49Z) - Gemino: Practical and Robust Neural Compression for Video Conferencing [19.137804113000474]
Geminoは、新しい高周波超解像パイプラインに基づくビデオ会議のための新しいニューラル圧縮システムである。
我々は,GeminoがTitan X GPU上でリアルタイムに動画を処理し,従来のビデオコーデックよりも2.2～5倍低画質で知覚品質を実現していることを示す。
論文 参考訳（メタデータ） (2022-09-21T17:10:46Z) - 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)
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。