論文の概要: Neural video codecs quality assessment dataset and benchmark

• arxiv url: http://arxiv.org/abs/2608.29331v1
• Date: Sat, 29 Aug 2026 15:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.935823
• Title: Neural video codecs quality assessment dataset and benchmark
• Title（参考訳）: ニューラルビデオコーデックの品質評価データセットとベンチマーク
• Authors: Nikolay Safonov, Nikita Gornostaev, Alexandra Dubonos, Dmitriy Vatolin,
• Abstract要約: 本稿では,ニューラルビデオコーデックと従来のビデオコーデックの両方で圧縮されたビデオの大規模主観的データセットを提案する。 提案したデータセットは、ニューラルビデオコーデックに適したビデオ品質メトリクスの開発とベンチマークのための貴重なリソースを提供する。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Video traffic constitutes a significant share of global web traffic. To reduce its volume, video codecs have been developed and continuously improved. While the industry has achieved substantial progress in traditional video coding, neural video codecs (NVCs) have recently emerged as a new approach that applies deep learning to video compression. This creates new challenges for compression quality assessment, which is essential for the further development and improvement of such codecs. In particular, it is important to evaluate the novel temporal compression paradigms introduced by NVCs. In this work, we present a large-scale subjective dataset of videos compressed with both neural and traditional video codecs. The subjective scores were collected through crowd-sourced pairwise comparisons. The proposed dataset provides a valuable resource for the development and benchmarking of video quality metrics tailored to neural video codecs. The dataset is available at the following link: https://videoprocessing.github.io/nvc-dataset-benchmark
• Abstract（参考訳）: ビデオトラフィックは、世界のウェブトラフィックのかなりの部分を占めている。 ボリュームを減らすため、ビデオコーデックが開発され、継続的に改良されている。 業界は従来のビデオコーディングにおいて大きな進歩を遂げているが、最近、ビデオ圧縮にディープラーニングを適用する新しいアプローチとして、ニューラルビデオコーデック(NVC)が登場した。 これは圧縮品質評価に新たな課題をもたらし、このようなコーデックのさらなる開発と改善に不可欠である。 特に,NVCが導入した新しい時間圧縮パラダイムを評価することが重要である。 本研究では,ニューラルビデオコーデックと従来のビデオコーデックの両方で圧縮されたビデオの大規模主観的データセットを提案する。 主観的なスコアは、クラウドソースによるペアワイズ比較によって収集された。 提案したデータセットは、ニューラルビデオコーデックに適したビデオ品質メトリクスの開発とベンチマークのための貴重なリソースを提供する。 データセットは以下のリンクで利用可能である。 https://videoprocessing.github.io/nvc-dataset-benchmark

関連論文リスト

• CodecArena: Codec Quality Assessment via Visual Reinforcement Learning [70.59130074737446]
  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。
  論文  参考訳（メタデータ） (2026-08-10T05:37:06Z)
• 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)
• Generative Latent Video Compression [26.99743586846841]
  本稿では,知覚的ビデオ圧縮の有効なフレームワークであるジェネレーティブ・ラテント・ビデオ圧縮(GLVC)を提案する。 GLVCは、ビデオフレームを知覚的に整列された潜在空間に投影するために、事前訓練された連続トークンを使用する。 GLVC は DISTS と LPIPS の指標で最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-11T03:28:49Z)
• NU-Class Net: A Novel Approach for Video Quality Enhancement [1.7763979745248648]
  本稿では,圧縮コーデックによる圧縮アーチファクトの軽減を目的とした,革新的な深層学習モデルであるNU-Class Netを紹介する。 NU-Class Netを利用することで、ビデオキャプチャノード内のビデオエンコーダは出力品質を低下させ、低ビットレートのビデオを生成することができる。 実験により,低ビットレートでストリーミングされたビデオの知覚品質を高めるためのモデルの有効性が確認された。
  論文  参考訳（メタデータ） (2024-01-02T11:46:42Z)
• Video compression dataset and benchmark of learning-based video-quality metrics [55.41644538483948]
  本稿では,ビデオ圧縮の評価を行うビデオ品質指標の新しいベンチマークを提案する。 これは、異なる標準でエンコードされた約2,500のストリームからなる、新しいデータセットに基づいている。 クラウドソーシングによるペアワイズ比較により,主観的スコアを収集した。
  論文  参考訳（メタデータ） (2022-11-22T09:22:28Z)
• 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)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)

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。