論文の概要: Deep Learning-based Filtering for Video Coding: A Survey on Architectures, Algorithms, and Complexity Analysis
- arxiv url: http://arxiv.org/abs/2607.16319v1
- Date: Wed, 15 Jul 2026 07:33:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.109862
- Title: Deep Learning-based Filtering for Video Coding: A Survey on Architectures, Algorithms, and Complexity Analysis
- Title（参考訳）: ビデオ符号化のためのディープラーニングに基づくフィルタリング:アーキテクチャ,アルゴリズム,複雑度解析に関する調査
- Abstract要約: Deep Learning-based Filtering (DLF)は、高効率ビデオ符号化(HEVC/H.265)やVVC/H.266(VVC/H.266)のような標準に固有の圧縮アーティファクトを緩和するための有望なソリューションとして登場した。
本稿では,学術研究と実践的展開のギャップを埋めるために,DLF技術に関する包括的,ハードウェア指向の調査を行う。
以前のレビューとは異なり、この研究はRD(Rate-Distortion)のパフォーマンスとハードウェア実現可能性の間のトレードオフを批判的に分析する。
- 参考スコア（独自算出の注目度）: 8.991637751002072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As Ultra-High-Definition (UHD) displays and immersive media services become ubiquitous in the Internet of Things (IoT) and Consumer Electronics (CE) sectors, including 8K display and mobile devices, the demand for high-efficiency video coding is unprecedented. While Deep Learning-based Filtering (DLF) has emerged as a promising solution to mitigate compression artifacts inherent in standards like High Efficiency Video Coding (HEVC/H.265) and Versatile Video Coding (VVC/H.266), its deployment in CE devices is severely constrained by computational complexity, memory bandwidth, and power consumption. To bridge the gap between academic research and practical deployment, this paper presents a comprehensive, hardware-oriented survey of DLF techniques. We propose a systematic three-dimensional taxonomy classifying methods into (1) Integration Scheme within the Video Coding, (2) Coding Information Utilization, and (3) Network Design Strategy. Unlike prior reviews, this work critically analyzes the trade-offs between Rate-Distortion (RD) performance and hardware feasibility, highlighting the evolution from heavy, performance-oriented models to lightweight, hardware-friendly architectures targeting Neural Processing Units (NPUs). Furthermore, we incorporate the latest standardization activities from the Joint Video Experts Team (JVET) on Neural Network-based Video Coding (NNVC) to provide realistic guidelines. We also identify open challenges such as real-time inference latency and error propagation, providing a roadmap toward robust, low-power intelligent video coding in next-generation CE vision endpoints.
- Abstract（参考訳）: UHD(Ultra-High-Definition)ディスプレイと没入型メディアサービスがIoT(Internet of Things)や8Kディスプレイやモバイルデバイスを含むConsumer Electronics(CE)セクターで普及するにつれ、高効率ビデオコーディングの需要は前例がない。
Deep Learning-based Filtering (DLF) は、高効率ビデオ符号化 (HEVC/H.265) やVersatile Video Coding (VVC/H.266) のような標準に固有の圧縮アーチファクトを緩和するための有望なソリューションとして登場したが、CEデバイスへの展開は、計算複雑性、メモリ帯域幅、消費電力によって厳しく制限されている。
本稿では,学術研究と実践的展開のギャップを埋めるために,DLF技術の包括的,ハードウェア指向的な調査を行う。
本稿では,(1)ビデオ符号化における統合スキーム,(2)符号化情報利用,(3)ネットワーク設計戦略の3次元分類手法を提案する。
以前のレビューとは異なり、この研究はRD(Rate-Distortion)パフォーマンスとハードウェア実現性の間のトレードオフを批判的に分析し、重くパフォーマンス指向のモデルから、ニューラルネットワークユニット(NPU)をターゲットにした軽量でハードウェアフレンドリなアーキテクチャへの進化を強調している。
さらに、ニューラルネットワークベースのビデオ符号化(NNVC)に、JVET(Joint Video Experts Team)の最新の標準化活動を統合することで、現実的なガイドラインを提供する。
また、リアルタイムの推論遅延やエラーの伝搬といったオープンな課題を特定し、次世代CEビジョンエンドポイントにおける堅牢で低消費電力のインテリジェントなビデオコーディングに向けたロードマップを提供する。
関連論文リスト
- Kwai Keye-VL-2.0 Technical Report [53.82434681649277]
Keye-VL-2.0は、長期ビデオ理解とエージェントインテリジェンスを促進するために設計されたマルチモーダル基盤モデルである。
DeepSeek Sparse Attention (DSA)をGQAベースのマルチモーダルアーキテクチャに適応したのは,これが初めてである。
コンテクスト-RLとビデオ-RLを併用したMOPD(Cross-Modal Multi-Teacher On-Policy Distillation)は破滅的忘れのアルゴリズム的ジレンマを克服する。
論文 参考訳（メタデータ） (2026-06-09T09:58:08Z) - EasyVideoR1: Easier RL for Video Understanding [51.760544033045726]
検証可能な報酬(RLVR)からの強化学習は,大規模言語モデルの推論能力向上に顕著な効果を示した。
EasyVideoR1は、ビデオ理解タスクで大きな視覚言語モデルをトレーニングするために特別に設計された、完全かつ効率的な強化学習フレームワークである。
論文 参考訳（メタデータ） (2026-04-18T07:56:32Z) - ViBED-Net: Video Based Engagement Detection Network Using Face-Aware and Scene-Aware Spatiotemporal Cues [0.0]
ViBED-Netは、ビデオデータから学生のエンゲージメントを評価するために設計された新しいディープラーニングフレームワークである。
本モデルは,eラーニングにおける感情状態認識のための大規模ベンチマークであるDAiSEEデータセットを用いて評価する。
論文 参考訳（メタデータ） (2025-10-20T18:48:25Z) - Dual Learning with Dynamic Knowledge Distillation and Soft Alignment for Partially Relevant Video Retrieval [53.54695034420311]
実際には、ビデオは通常、より複雑な背景コンテンツによって、長い時間で切り離される。
本稿では,大規模視覚言語事前学習モデルから一般化知識を抽出する新しい枠組みを提案する。
実験により,本モデルがTVR,ActivityNet,Charades-STAデータセット上での最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2025-10-14T08:38:20Z) - Video-LMM Post-Training: A Deep Dive into Video Reasoning with Large Multimodal Models [78.32948112203228]
ビデオ理解はコンピュータビジョンにおける最も困難なフロンティアである。
近年,映像理解タスクにおいて,映像多時間モデルが顕著に出現している。
Surveyは、ビデオ-LMM能力を向上するための統一的なフレームワークを研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-10-06T17:10:44Z) - VidTok: A Versatile and Open-Source Video Tokenizer [24.018360305535307]
VidTokは、連続したトークン化と離散的なトークン化の両方で最先端のパフォーマンスを提供する、汎用的なビデオトークン化ツールである。
これらの進歩を統合することで、VidTokは既存のメソッドよりも大幅に改善されている。
論文 参考訳（メタデータ） (2024-12-17T16:27:11Z) - 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) - On Deep Learning Techniques to Boost Monocular Depth Estimation for
Autonomous Navigation [1.9007546108571112]
画像の深さを推定することはコンピュータビジョンの分野における根本的な逆問題である。
本稿では,新しい特徴抽出モデルと組み合わせ,軽量で高速なCNNアーキテクチャを提案する。
また,SIDE問題を解くために,単純な幾何2.5D損失関数と組み合わせて効率的な表面正規化モジュールを導入する。
論文 参考訳（メタデータ） (2020-10-13T18:37:38Z) - HRVGAN: High Resolution Video Generation using Spatio-Temporal GAN [0.0]
本稿では,高解像度ビデオ合成に特化して設計された新しい深層生成ネットワークアーキテクチャを提案する。
我々のアプローチは、Wasserstein Generative Adrial Networks (WGANs) のキーコンセプトを統合している。
トレーニングの目的は、フレームレベルの精度とビデオリアリズムのバランスをとるために、画素単位の平均2乗誤差損失と対角損失を組み合わせることである。
論文 参考訳（メタデータ） (2020-08-17T20:45:59Z)
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。