論文の概要: MDFI: A Multi-Domain Features Integration for Compressed Video Quality Enhancement
- arxiv url: http://arxiv.org/abs/2608.21495v1
- Date: Fri, 21 Aug 2026 15:04:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.909438
- Title: MDFI: A Multi-Domain Features Integration for Compressed Video Quality Enhancement
- Title（参考訳）: MDFI:圧縮ビデオ品質向上のためのマルチドメイン機能統合
- Abstract要約: MDFI (Multi-Domain Features Integration) は圧縮ビデオ品質向上手法である。
予測情報を処理するために、新しいFrame-Prediction Feature Transform (FPFT)モジュールを統合する。
我々のMDFIアプローチは,客観的な計測値と視覚的品質の両方において,最先端の手法よりも優れた性能を発揮することを示す。
- 参考スコア（独自算出の注目度）: 0.9099663022952496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The latest video coding standard, H.266/VVC, has demonstrated significant improvements in compression efficiency compared to H.265/HEVC. Despite its advanced coding techniques, H.266/VVC still faces challenges in meeting the increasing demand for higher perceptual quality and enhanced compression performance. To address these limitations, we propose MDFI (Multi-Domain Features Integration), a compressed video quality enhancement approach that features a novel Frame-Prediction Feature Transform (FPFT) module to process prediction information. Moreover, MDFI integrates a multi-domain feature fusion strategy that effectively combines spatiotemporal characteristics, cross-frequency representations, and compressed-domain prediction information to enhance decoded video quality. Additionally, we introduce a comprehensive dataset that encompasses uncompressed video sequences, corresponding reconstructed versions at multiple QP levels, and predicted frames generated from H.266/VVC compressed bitstreams, providing essential resources for developing and benchmarking video enhancement approaches. Extensive experiments demonstrate that our MDFI approach achieves superior performance to state-of-the-art methods in both objective metrics and visual quality, effectively mitigating video compression artifacts. The code is available at: https://github.com/dangdinh17/MDFI.git.
- Abstract（参考訳）: 最新のビデオコーディング標準であるH.266/VVCは、H.265/HEVCに比べて圧縮効率が大幅に改善された。
高度なコーディング技術にもかかわらず、H.266/VVCは高い知覚品質と圧縮性能の向上に対する需要の増大に対応するための課題に直面している。
これらの制約に対処するために,新しいフレーム予測特徴変換(FPFT)モジュールを特徴とする圧縮ビデオ品質向上手法であるMDFI(Multi-Domain Features Integration)を提案する。
さらに、MDFIは、時空間特性、周波数間表現、圧縮領域予測情報を効果的に組み合わせてデコードされたビデオ品質を向上させるマルチドメイン機能融合戦略を統合する。
さらに、圧縮されていないビデオシーケンス、複数のQPレベルで再構成されたバージョン、H.266/VVC圧縮ビットストリームから生成された予測フレームを含む包括的データセットを導入し、ビデオエンハンスメント手法の開発とベンチマークのための重要なリソースを提供する。
我々のMDFI手法は客観的な計測値と視覚的品質の両方において最先端の手法よりも優れた性能を示し、映像圧縮アーティファクトを効果的に軽減する。
コードは、https://github.com/dangdinh17/MDFI.git.comで入手できる。
関連論文リスト
- DiffCVE: Diffusion-based Compressed Video Enhancement [32.7189173883538]
高度に圧縮されたビデオの知覚的品質向上は、複雑なアーティファクトパターンと実質的な情報損失のために依然として困難である。
近年の拡散モデルでは、視覚的復元のための強力な生成能力が示されているが、圧縮ビデオに直接適用すると圧縮劣化特性が無視されることが多い。
本稿では,拡散型圧縮ビデオ強調手法であるDiffgenerative Coding Prior-enhanced Dual Conditioningを提案する。
論文 参考訳（メタデータ） (2026-07-08T09:30:18Z) - Efficient Video Diffusion with Sparse Information Transmission for Video Compression [24.272279529510772]
ビデオ圧縮は、最小限の歪みで復元品質を最大化することを目的としている。
超低速では、従来のエンドツーエンド圧縮モデルは、画質の悪いぼやけた画像を生成する傾向がある。
我々はDiff-SITを提案し、知覚的品質と時間的一貫性の新たな最先端性を確立する。
論文 参考訳（メタデータ） (2026-03-19T05:15:29Z) - Plug-and-Play Versatile Compressed Video Enhancement [57.62582951699999]
ビデオ圧縮はファイルのサイズを効果的に削減し、リアルタイムのクラウドコンピューティングを可能にする。
しかし、それは視覚的品質の犠牲となり、下流の視覚モデルの堅牢性に挑戦する。
本稿では,異なる圧縮条件下で動画を適応的に拡張する多言語対応拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-21T18:39:31Z) - When Video Coding Meets Multimodal Large Language Models: A Unified Paradigm for Video Coding [118.72266141321647]
CMVC(Cross-Modality Video Coding)は、ビデオ符号化における多モード表現とビデオ生成モデルを探索する先駆的な手法である。
復号化の際には、以前に符号化されたコンポーネントとビデオ生成モデルを利用して複数の復号モードを生成する。
TT2Vは効果的な意味再構成を実現し,IT2Vは競争力のある知覚整合性を示した。
論文 参考訳（メタデータ） (2024-08-15T11:36:18Z) - Accelerating Learned Video Compression via Low-Resolution Representation Learning [18.399027308582596]
低解像度表現学習に焦点を当てた学習ビデオ圧縮のための効率最適化フレームワークを提案する。
提案手法は,H.266参照ソフトウェアVTMの低遅延P構成と同等の性能を実現する。
論文 参考訳（メタデータ） (2024-07-23T12:02:57Z) - 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) - Perceptual Quality Assessment of Face Video Compression: A Benchmark and
An Effective Method [69.868145936998]
生成的符号化アプローチは、合理的な速度歪曲トレードオフを持つ有望な代替手段として認識されている。
従来のハイブリッドコーディングフレームワークから生成モデルまで、空間的・時間的領域における歪みの多様さは、圧縮顔画像品質評価(VQA)における大きな課題を提示する。
大規模圧縮顔画像品質評価(CFVQA)データベースを導入し,顔ビデオの知覚的品質と多角化圧縮歪みを体系的に理解するための最初の試みである。
論文 参考訳（メタデータ） (2023-04-14T11:26:09Z) - Learned Video Compression via Heterogeneous Deformable Compensation
Network [78.72508633457392]
不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。
より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。
実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-07-11T02:31:31Z) - Feedback Recurrent Autoencoder for Video Compression [14.072596106425072]
低レイテンシモードで動作する学習ビデオ圧縮のための新しいネットワークアーキテクチャを提案する。
提案手法は,高分解能UVGデータセット上でのMS-SSIM/レート性能を示す。
論文 参考訳（メタデータ） (2020-04-09T02:58:07Z) - Learning for Video Compression with Hierarchical Quality and Recurrent
Enhancement [164.7489982837475]
本稿では,階層型ビデオ圧縮(HLVC)手法を提案する。
我々のHLVCアプローチでは、エンコーダ側とデコーダ側の低品質フレームの圧縮と強化を容易にするため、階層的品質は符号化効率の恩恵を受ける。
論文 参考訳（メタデータ） (2020-03-04T09:31:37Z)
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。