論文の概要: CodecArena: Codec Quality Assessment via Visual Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2608.09139v1
- Date: Mon, 10 Aug 2026 05:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.094182
- Title: CodecArena: Codec Quality Assessment via Visual Reinforcement Learning
- Title（参考訳）: CodecArena: ビジュアル強化学習によるコーデック品質評価
- Abstract要約: 我々は,ビデオ符号化品質評価のための最初のビジョン言語フレームワークであるCodecArenaを提案する。
CodecArenaは、参照とその再構成の間のソース条件の比較推論として評価をキャストする。
facet-anchored rewardは、人間の顔ごとのラベルではなく、自動的に引き起こされた顔の方向を弱いアンカーとして利用する。
- 参考スコア（独自算出の注目度）: 70.59130074737446
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Video coding is advancing into the low and ultra-low bitrate regime, driven by end-to-end codecs that replace the hand-crafted pipeline with jointly optimized neural networks and generative codecs that exploit the priors of video generation models. Yet the dominant metrics, LPIPS and DISTS, measure feature and texture similarity rather than content fidelity: a reconstruction that hallucinates a wrong face or blurs text into convincing strokes can still score well, even when a human rejects it instantly. To address this, we propose CodecArena, the first vision-language framework for video coding quality assessment, casting codec evaluation as source-conditioned comparative reasoning between a reference and its reconstructions. We optimize CodecArena with Facet-GRPO, a visual reinforcement learning scheme that aligns pairwise codec preferences while grounding the verdict in five fidelity facets: identity, objects, text, texture, and temporal consistency. Its facet-anchored reward uses automatically derived facet directions as weak anchors, rather than human per-facet labels, to prevent any single sub-score from dominating the holistic preference and to yield interpretable fine-grained quality judgments. To support training and evaluation in this underexplored regime, we construct two complementary resources: CodecArena-1K, a fully automatic preference dataset of 1,500 comparison groups built from traditional, neural, and generative codec reconstructions with fused vision-language and objective supervision; and CodecArena-Bench, a human-ranked benchmark with source-disjoint videos for fair out-of-domain evaluation. Extensive experiments demonstrate that CodecArena achieves state-of-the-art agreement with human judgments on source-disjoint content across diverse codecs and bitrates, surpassing perceptual metrics and prior vision-language evaluators.
- Abstract（参考訳）: ビデオ符号化は、手作りのパイプラインを、共同最適化されたニューラルネットワークと、ビデオ生成モデルの先行を生かした生成コーデックに置き換えるエンドツーエンドのコーデックによって、低ビットレートと超低ビットレートのレギュレーションへと進歩している。
しかし、LPIPSやDisTSといった主要な指標は、内容の忠実さよりも特徴とテクスチャの類似度を測定している。
そこで我々は,ビデオ符号化品質評価のための最初の視覚言語フレームワークであるCodecArenaを提案する。
CodecArenaをFacet-GRPOで最適化する。これは、一対のコーデック嗜好を整列するビジュアル強化学習スキームで、判定はアイデンティティ、オブジェクト、テキスト、テクスチャ、時間的一貫性の5つの忠実な面に基礎を置いている。
ファセットアンコールの報酬は、人ごとのラベルではなく、自動的に引き起こされたファセットの方向を弱いアンカーとして使用し、単一のサブスコアが全体的嗜好を支配するのを防ぎ、解釈可能なきめ細かい品質判断を得る。
CodecArena-1Kは、従来の、神経的、生成的コーデック再構成と融合した視覚言語と客観的監督によって構築された1500個の比較群を完全自動で選好するデータセットであり、CodecArena-Benchは、ドメイン外評価を公平に行うための、ソース分離されたビデオを備えた人間階級のベンチマークである。
広範な実験により、CodecArenaは様々なコーデックやビットレートをまたいだソース不連続なコンテンツに関する人間の判断と最先端の合意を達成し、知覚的メトリクスや事前の視覚言語評価を超越していることが示されている。
関連論文リスト
- FDIM: A Feature-distance-based Generic Video Quality Metric for Versatile Codecs [16.429817532129388]
FDIMは、伝統的なビデオコーデックとニューラルビデオコーデックの両方のための、機能距離ベースの汎用ビデオ品質メトリクスである。
16k以上のビデオシーケンスからなる大規模主観的品質評価データセット(DCV)を用いてFDIMを訓練した。
論文 参考訳（メタデータ） (2026-04-27T07:19:05Z) - OneVision-Encoder: Codec-Aligned Sparsity as a Foundational Principle for Multimodal Intelligence [113.73007911004446]
OneVision-Encoderは、視覚構造を意味的な意味に圧縮することでビデオをエンコードする。
Codec-aligned, patch-level sparsityは基本的な原則であり、次世代のビジュアルジェネラリストのためのスケーラブルなエンジンとしてOV-Encoderを可能にする。
論文 参考訳（メタデータ） (2026-02-09T14:06:17Z) - SCENE: Semantic-aware Codec Enhancement with Neural Embeddings [9.6489283335586]
本稿では,知覚の忠実度を高める意味認識型事前処理フレームワークを提案する。
本手法は,視覚言語モデルからのセマンティック埋め込みを効率的な畳み込みアーキテクチャに統合する。
この結果から, セマンティック・アウェア・プレプロセッサは, 圧縮ビデオストリームの強化に有効な手法であることが示唆された。
論文 参考訳（メタデータ） (2026-01-29T05:41:28Z) - VQRAE: Representation Quantization Autoencoders for Multimodal Understanding, Generation and Reconstruction [83.50898344094153]
VQRAEは、イメージ理解のための連続的セマンティック機能と、統一トークン化器内での視覚生成のためのトークンを生成する。
デザインは、多モーダル理解、離散トークンの能力を維持するために、無視可能な意味情報を可能にする。
VQRAEは、視覚的理解、生成、再構築のベンチマークで競合性能を示す。
論文 参考訳（メタデータ） (2025-11-28T17:26:34Z) - Baseline Systems For The 2025 Low-Resource Audio Codec Challenge [0.0]
Low-Resource Audio Codec (LRAC) Challengeは、リソース制約のある環境でのデプロイメントのためのニューラルオーディオコーディングの進歩を目的としている。
本稿では,2025年のLRACチャレンジにおいて,両トラックの公式ベースラインシステムについて述べる。
論文 参考訳（メタデータ） (2025-09-30T20:36:58Z) - SecoustiCodec: Cross-Modal Aligned Streaming Single-Codecbook Speech Codec [83.61175662066364]
音声コーデックは、音声とテキスト言語モデルを統一するための重要なブリッジとして機能する。
既存の手法はセマンティックエンコーディングにおいていくつかの課題に直面している。
本稿では,クロスモーダルな低ビットレートストリーミング音声コーデックSecoustiCodecを提案する。
論文 参考訳（メタデータ） (2025-08-04T19:22:14Z) - Prediction and Reference Quality Adaptation for Learned Video Compression [54.58691829087094]
時間予測はビデオ圧縮において最も重要な技術の一つである。
従来のビデオコーデックは、予測品質と基準品質に応じて最適な符号化モードを適応的に決定する。
本稿では,信頼性に基づく予測品質適応(PQA)モジュールと基準品質適応(RQA)モジュールを提案する。
論文 参考訳（メタデータ） (2024-06-20T09:03:26Z) - Compression-Realized Deep Structural Network for Video Quality Enhancement [78.13020206633524]
本稿では,圧縮ビデオの品質向上の課題に焦点をあてる。
既存の手法のほとんどは、圧縮コーデック内での事前処理を最適に活用するための構造設計を欠いている。
新しいパラダイムは、より意識的な品質向上プロセスのために緊急に必要である。
論文 参考訳（メタデータ） (2024-05-10T09:18:17Z) - Learned Scalable Video Coding For Humans and Machines [4.14360329494344]
ベース層にエンド・ツー・エンドの学習可能なビデオタスクを導入し,その拡張層はベース層とともに人間の視聴のための入力再構成をサポートする。
我々のフレームワークは、その基盤層において、最先端の学習と従来のビデオコーデックの両方を上回り、その拡張層では、人間の視覚タスクに匹敵する性能を維持している。
論文 参考訳（メタデータ） (2023-07-18T05:22:25Z) - 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)
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。