論文の概要: BLUE: Semantics-Preserving Video Compression for Efficient Vision-Language Surveillance Analytics
- arxiv url: http://arxiv.org/abs/2607.19515v1
- Date: Tue, 21 Jul 2026 19:00:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.907275
- Title: BLUE: Semantics-Preserving Video Compression for Efficient Vision-Language Surveillance Analytics
- Title（参考訳）: BLUE:高能率ビジョンランゲージサーベイランス分析のためのセマンティックス保存ビデオ圧縮
- Abstract要約: 継続的監視ビデオは、エンタープライズビデオ分析システムにおいて、ストレージ、送信、推論の負担が増大する。
固定カメラによる監視圧縮手法であるBLUEについて,前景活動を保存しながら,静的背景の冗長性を抑える手法について検討する。
生のH.265とBLUE圧縮H.265を2つの監視データセットで比較した。
- 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: Continuous surveillance video creates a growing storage, transmission, and inference burden for enterprise video analytics systems. While modern codecs such as H.265 reduce bitrate for human-viewable video, aggressive compression can degrade downstream computer-vision performance and does not necessarily reduce the number of vision-language model (VLM) inference calls required for semantic video understanding. This paper evaluates BLUE, a fixed-camera surveillance compression approach that suppresses static-background redundancy while preserving foreground activity, for its effect on VLM-based event and anomaly understanding. We compare raw H.265 and BLUE-compressed H.265 video on two surveillance datasets: VIRAT, comprising 227 paired event samples from 106 clips, and CHAD, comprising 54 human-activity anomaly clips. For each pair, the same frame index is evaluated using a VLM captioning pipeline, and outputs are scored against annotation-derived ground truth using a blind judging protocol. The results show no measurable degradation in semantic inference quality. On VIRAT, the mean VLM score remains effectively unchanged between raw H.265 and BLUE, with a mean difference of approximately -0.01 on a 0-10 scale. On CHAD, raw H.265 and BLUE obtain near-equivalent mean scores of 4.31 and 4.26, respectively. Compression saving is also uncorrelated with VLM score change on VIRAT (r = 0.004), indicating that higher BLUE compression does not predict semantic quality loss. Beyond storage reduction, BLUE increases the share of skip-heavy P-frames on CHAD from 1.4% to 53.2%, enabling an estimated 53% reduction in VLM calls through packet-size-based frame skipping. These findings suggest that BLUE functions as a machine-centric compression layer for surveillance video, reducing bandwidth and inference cost while preserving VLM semantic performance.
- Abstract（参考訳）: 継続的監視ビデオは、エンタープライズビデオ分析システムにおいて、ストレージ、送信、推論の負担が増大する。
H.265のような現代のコーデックは、人間の視聴可能なビデオのビットレートを減少させるが、アグレッシブ圧縮は、下流のコンピュータビジョンのパフォーマンスを低下させ、セマンティックビデオ理解に必要な視覚言語モデル(VLM)推論の回数を減少させるとは限らない。
本稿では,VLMに基づく事象と異常理解に影響を及ぼすため,前景活動を保ちながら静的背景冗長性を抑える固定カメラ監視圧縮手法BLUEについて検討する。
生のH.265とBLUE圧縮H.265を2つの監視データセットで比較した。VIRATは106個のクリップから227対のイベントサンプルと、CHADは54個の人間活動異常クリップからなる。
各ペアについて、同じフレームインデックスをVLMキャプションパイプラインを用いて評価し、ブラインド判定プロトコルを用いてアノテーション由来の地上真実に対して出力を出力する。
その結果,意味推論品質の低下は認められなかった。
VIRATでは、平均VLMスコアは生のH.265とBLUEの間で実質的に変化せず、平均差は0-10スケールで約0.01である。
CHADでは、生H.265とBLUEは、それぞれ4.31と4.26のほぼ同値の平均スコアを得る。
VIRATのVLMスコアの変化(r = 0.004)と圧縮の保存は無関係であり、高いBLUE圧縮は意味的な品質損失を予測しないことを示している。
ストレージの削減以外にも、BLUEはCHAD上でのスキップ重のPフレームのシェアを1.4%から53.2%に増やし、パケットサイズベースのフレームスキップによるVLMコールの53%の削減を可能にする。
これらの結果から,BLUEは監視ビデオの機械中心圧縮層として機能し,VLMセマンティック性能を維持しつつ,帯域幅と推論コストを低減できることが示唆された。
関連論文リスト
- Token-Budget Distillation: Transferring Full-Token Semantics to Compressed Video Vision-Language Models [20.77624638873576]
Token-Budget Distillation (TBD) は、ビデオビジョン言語モデルを適用するためのパラメータ効率の良い微調整フレームワークである。
LLaVA-Video, LLaVA-OneVision, Qwen3-VL-8B-Instruct などのビデオVLMバックボーン上でTBDを評価する。
論文 参考訳（メタデータ） (2026-08-28T09:59:27Z) - BLUE: A Stale-Pixel Optical-Flow Compositor for Entropy-Efficient Surveillance Video Encoding [0.0]
連続記録監視システムは、チューニングだけでは完全に解決できないストレージ問題に直面します。
本稿では、この構造を利用するプリエンコードコンポジトリであるBLUEについて、背景の永続的なシードフレームを維持することにより紹介する。
BLUEは平均34.6% (x264) / 39.4% (x265) のファイルサイズを95.8% / 99.4%のクリップで削減している。
論文 参考訳（メタデータ） (2026-06-27T06:01:51Z) - One Token per Highly Selective Frame: Towards Extreme Compression for Long Video Understanding [51.08792182064565]
長いビデオ理解は、膨大なフレーム数のため、視覚言語モデル(VLM)にとって本質的に困難である。
通常、ビデオフレームは数十から数百のトークンに拡張されるため、大きな言語モデル(LLM)のコンテキスト長は制限され、VLMはフレームをわずかに知覚し、時間的情報を失う。
本稿では,XComp という長大なビデオ理解のための極端な圧縮モデルを提案する。
論文 参考訳（メタデータ） (2026-04-15T17:59:52Z) - 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) - TeCoNeRV: Leveraging Temporal Coherence for Compressible Neural Representations for Videos [51.99176811574457]
Inlicit Neural Representations (INRs) は、最近ビデオ圧縮における印象的な性能を実証した。
しかし、エンコーディング効率を維持しながら高解像度ビデオへのスケーリングは依然として大きな課題である。
3つの重要なコントリビューションを通じて、これらの基本的な制限に対処します。
我々は,UVG,HEVC,MCL-JCVで480p,720p,1080pで実験を行った最初のハイパーネットワークアプローチである。
論文 参考訳（メタデータ） (2026-02-18T18:59:55Z) - VideoCompressa: Data-Efficient Video Understanding via Joint Temporal Compression and Spatial Reconstruction [55.66673587952058]
ビデオ理解モデルは、大規模データセットの禁止ストレージと計算コストによって、ますます制限されている。
VideoCompressaはビデオデータ合成のための新しいフレームワークで、動的潜在圧縮として問題を再構成する。
論文 参考訳（メタデータ） (2025-11-24T07:07:58Z) - Embedding Compression Distortion in Video Coding for Machines [67.97469042910855]
現在、ビデオ伝送は人間の視覚システム(HVS)だけでなく、分析のための機械認識にも役立っている。
本稿では,機械知覚関連歪み表現を抽出し,下流モデルに埋め込む圧縮歪埋め込み(CDRE)フレームワークを提案する。
我々のフレームワークは,実行時間,パラメータ数といったオーバーヘッドを最小限に抑えて,既存のコーデックのレートタスク性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2025-03-27T13:01:53Z) - Impact of Video Compression on the Performance of Object Detection
Systems for Surveillance Applications [0.0]
ビデオは22,32,37,42,47の定レート係数(CRF)値を用いて5つの品質レベルで符号化された。
YOLOv5は圧縮ビデオに適用され、各CRFレベルで検出性能が解析された。
圧縮画像上でのYOLOv5のリトレーニングは、高度に圧縮された映像に適用した場合、F1スコアが最大1%向上する。
論文 参考訳（メタデータ） (2022-11-10T19:01:06Z) - A Structured Analysis of the Video Degradation Effects on the
Performance of a Machine Learning-enabled Pedestrian Detector [3.096615629099617]
本稿では,ML対応歩行者検出器の性能に及ぼす映像劣化の影響について検討する。
その結果、慎重に選択されたロッキーなビデオ構成は、特定のML対応システムの適切な性能を保っていることが明らかとなった。
論文 参考訳（メタデータ） (2021-06-30T08:30:12Z) - Learning for Video Compression with Recurrent Auto-Encoder and Recurrent
Probability Model [164.7489982837475]
本稿では、リカレントオートエンコーダ(RAE)とリカレント確率モデル(RPM)を用いたリカレントラーニングビデオ圧縮(RLVC)手法を提案する。
RAEは、ビデオフレーム間の時間的相関を利用するために、エンコーダとデコーダの両方で繰り返しセルを使用する。
提案手法は,PSNRとMS-SSIMの両方の観点から,最先端の学習ビデオ圧縮性能を実現する。
論文 参考訳（メタデータ） (2020-06-24T08:46:33Z)
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。