Fugu-MT 論文翻訳(概要): CoANeRV: Coordinate-Aware Token-Space Neural Video Representation

論文の概要: CoANeRV: Coordinate-Aware Token-Space Neural Video Representation

arxiv url: http://arxiv.org/abs/2608.13938v1
Date: Fri, 14 Aug 2026 04:19:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.265834
Title: CoANeRV: Coordinate-Aware Token-Space Neural Video Representation
Title（参考訳）: CoANeRV: Coordinate-Aware Token-Space Neural Video Representation
Abstract要約: Co.ANeRVは1つのフィードフォワードパスでコンパクトなビデオトークンを生成し、共有座標条件デコーダを使用して連続時間クエリを再構築する。実験の結果、Co.ANeRV は以前のフィードフォワード NeRV や INR のベースラインよりもコンストラクション品質を一貫して改善していることがわかった。
参考スコア（独自算出の注目度）: 28.15299176422099
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural representations for videos (NeRV) have shown strong reconstruction fidelity by storing video-specific information in network weights. However, existing formulations typically require either costly per-video optimization or video-specific weight generation, making it difficult to scale to efficient amortized video representation. We propose CoANeRV, a coordinate-aware token-space framework that adapts the broader token-conditioned neural-field paradigm to amortized video representation. CoANeRV forms compact video tokens in one feed-forward pass and uses a shared coordinate-conditioned decoder to reconstruct continuous spatio-temporal queries, avoiding per-video decoder optimization or generation while retaining coordinate-level reconstruction flexibility. To make token-space reconstruction effective, CoANeRV introduces a coordinate-aware decoding architecture that aligns spatio-temporal queries with video tokens through axis-adaptive positional encoding and temperature-modulated cross-attention. Block-wise coordinate querying further reduces peak attention memory, making high-resolution reconstruction practical. Experiments on diverse video datasets show that CoANeRV consistently improves reconstruction quality over prior feed-forward NeRV and INR baselines, reduces peak memory compared with attention-based coordinate decoders, and provides efficient amortized encoding without per-video optimization. These results support the proposed video-specific combination of feed-forward token formation, spatio-temporal coordinate retrieval, and memory-bounded dense querying. The code is available at https://github.com/jialong2023/CoANeRV.
Abstract（参考訳）: ビデオのニューラル表現(NeRV)は、ビデオ固有の情報をネットワーク重みに格納することで、強い再構成忠実度を示す。しかし、既存の定式化では、ビデオごとの最適化やビデオ固有の重み付けが要求されるため、効率のよい動画表現にスケールすることは困難である。我々は、より広いトークン条件のニューラルフィールドパラダイムを記憶されたビデオ表現に適用する、座標対応のトークン空間フレームワークであるCoANeRVを提案する。 CoANeRVは1つのフィードフォワードパスでコンパクトなビデオトークンを生成し、共有座標条件付きデコーダを使用して、ビデオごとのデコーダ最適化や生成を回避し、座標レベルの再構成の柔軟性を維持しながら、継続的な時空間クエリを再構築する。トークン空間の再構築を効果的にするために、CoANeRVは、軸適応位置符号化と温度変調によるクロスアテンションを通じて、時空間クエリとビデオトークンを整列する座標対応デコードアーキテクチャを導入した。ブロックワイド座標クエリは、ピークアテンションメモリをさらに削減し、高分解能な再構築を実現する。多様なビデオデータセットの実験により、CoANeRVは、フィードフォワードのNERVやINRのベースラインよりもコンストラクション品質を一貫して改善し、アテンションベースの座標デコーダに比べてピークメモリを削減し、ビデオごとの最適化なしに効率的なアモータイズエンコーディングを提供する。これらの結果は, フィードフォワードトークン形成, 時空間座標探索, メモリバウンドな高密度クエリリングなどのビデオ特異的な組み合わせをサポートする。コードはhttps://github.com/jialong2023/CoANeRVで入手できる。

関連論文リスト

Video Compression with Graph-inspired Neural Representation [22.393981515406537]
Implicit Neural Representations (INR)は、ビデオ圧縮のためのコンパクトでコンテンツ適応的なパラダイムを提供する。本稿では,グラフに着想を得たINRであるG-NeRVを提案する。 G-NeRVは最先端のINRベースのNVRCと最新の標準ビデオであるVVC VTMをそれぞれ8.86%、14.68%(BD-rate)で上回っている。
論文参考訳（メタデータ） (2026-09-02T12:43:03Z)
EVATok: Adaptive Length Video Tokenization for Efficient Visual Autoregressive Generation [80.13014959623452]
EVATokは、$textbfE$fficient $textbfV$ideo $textbfA$daptive $textbfTok$enizersを生成するフレームワークである。 EVATok は UCF-101 上でより優れた再構成と最先端のクラス・ビデオ生成を実現する。
論文参考訳（メタデータ） (2026-03-12T17:59:59Z)
Recurrent Video Masked Autoencoders [49.34224831090952]
本稿では,変換器をベースとしたニューラルリカレントを用いた映像表現学習手法を提案する。ビデオ表現学習アプローチでは、トランスフォーマーベースのニューラルリカレントを使用して、高密度画像の特徴を時間とともに集約する。
論文参考訳（メタデータ） (2025-12-15T18:59:48Z)
Autoregressive Video Autoencoder with Decoupled Temporal and Spatial Context [8.458436768725212]
ビデオオートエンコーダは、ビデオをコンパクトな潜在表現に圧縮して効率的な再構成を行う。自動回帰ビデオオートエンコーダ(ARVAE)を提案する。 ARVAEは、非常に軽量なモデルと小規模のトレーニングデータにより、優れた再構築品質を実現する。
論文参考訳（メタデータ） (2025-12-12T05:40:01Z)
FRAME: Pre-Training Video Feature Representations via Anticipation and Memory [55.046881477209695]
FRAMEは、高密度ビデオ理解に適した自己監督型ビデオフレームエンコーダである。同社は、過去と現在のRGBフレームから現在と将来のDINOパッチ機能を予測することを学ぶ。画像エンコーダや既存の自己監督型ビデオモデルよりも一貫して優れています。
論文参考訳（メタデータ） (2025-06-05T19:44:47Z)
CANeRV: Content Adaptive Neural Representation for Video Compression [89.35616046528624]
映像圧縮のためのコンテンツ適応型ニューラル表現法(CANeRV)を提案する。 CANeRVは革新的なINRベースのビデオ圧縮ネットワークであり、各ビデオシーケンスの特定の内容に基づいて、構造最適化を適応的に行う。 CNeRVはH.266/VVCと最先端のINRベースの動画圧縮技術の両方を多種多様なビデオデータセットで上回り得ることを示す。
論文参考訳（メタデータ） (2025-02-10T06:21:16Z)
High-Efficiency Neural Video Compression via Hierarchical Predictive Learning [27.41398149573729]
強化されたDeep Hierarchical Video Compression(DHVC 2.0)は、優れた圧縮性能と目覚ましい複雑さの効率を導入する。階層的な予測符号化を使用して、各ビデオフレームをマルチスケール表現に変換する。トランスミッションフレンドリーなプログレッシブデコーディングをサポートしており、パケットロスの存在下では特にネットワーク化されたビデオアプリケーションに有利である。
論文参考訳（メタデータ） (2024-10-03T15:40:58Z)
VQ-NeRV: A Vector Quantized Neural Representation for Videos [3.6662666629446043]
Inlicit Neural representations (INR)は、ニューラルネットワーク内のビデオのエンコーディングに優れ、ビデオ圧縮やデノイングといったコンピュータビジョンタスクにおける約束を示す。本稿では,新しいコンポーネントであるVQ-NeRVブロックを統合した,高度なU字型アーキテクチャであるVector Quantized-NeRV(VQ-NeRV)を紹介する。このブロックには、ネットワークの浅い残差特徴とフレーム間の残差情報を効果的に識別するコードブック機構が組み込まれている。
論文参考訳（メタデータ） (2024-03-19T03:19:07Z)
Boosting Neural Representations for Videos with a Conditional Decoder [28.073607937396552]
Inlicit Neural representations (INRs) は、ビデオストレージと処理において有望なアプローチとして登場した。本稿では,現在の暗黙的ビデオ表現手法のための普遍的なブースティングフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-28T08:32:19Z)
VNVC: A Versatile Neural Video Coding Framework for Efficient Human-Machine Vision [59.632286735304156]
コード化された表現をピクセルに復号することなく直接拡張・解析することがより効率的である。再構成と直接拡張/分析の両方をサポートするために,コンパクト表現の学習を目標とする汎用型ニューラルビデオ符号化(VNVC)フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-19T03:04:57Z)
Scalable Neural Video Representations with Learnable Positional Features [73.51591757726493]
我々は,学習可能な位置特徴(NVP)を用いて,映像を潜時符号として効果的に再生するニューラル表現の訓練方法を示す。一般的なUVGベンチマークにおけるNVPの優位性を実証し,先行技術と比較して,NVPは2倍の速度(5分以内)で走行するだけでなく,符号化品質も34.07rightarrow$34.57(PSNR測定値で測定)に上回っている。
論文参考訳（メタデータ） (2022-10-13T08:15:08Z)
GAN-Based Multi-View Video Coding with Spatio-Temporal EPI Reconstruction [19.919826392704472]
GAN(Generative Adrial Network)の画像生成機能を活用した新しい多視点ビデオ符号化手法を提案する。エンコーダでは,時空間平面画像(EPI)デコーダを構築し,さらに畳み込みネットワークを用いてGANの潜時符号をサイド情報(SI)として抽出する。側面では、SIと隣接する視点を組み合わせて、GANジェネレータを用いて中間ビューを再構築する。
論文参考訳（メタデータ） (2022-05-07T08:52:54Z)

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。