論文の概要: Semantic-Aware Neural Video Codec for Error-Resilient Low-Latency Transmission

• arxiv url: http://arxiv.org/abs/2609.16279v1
• Date: Mon, 14 Sep 2026 19:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.213642
• Title: Semantic-Aware Neural Video Codec for Error-Resilient Low-Latency Transmission
• Title（参考訳）: 誤り耐性低レイテンシ伝送のための意味認識型ニューラルビデオコーデック
• Abstract要約: 物理AIシステムは信頼性の低い、タスク指向のビデオ通信を必要とする。 本稿では,信頼性の低いチャンネル上での高能率低遅延ビデオ伝送のための意味認識型多レベルニューラルビデオ符号化手法を提案する。 提案手法は,パケット消去時のベースラインDCVC-RTのロバスト性を大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 5.626680522690602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging physical AI systems require low-latency, task-oriented video communication over unreliable channels. We propose a semantic-aware multi-level neural video coding method for robust low-latency video transmission over unreliable channels that are abstracted as multi-level packet erasure channels. Built upon the real-time DCVC-RT neural video codec, the proposed framework introduces a semantic- and feature-aware coding strategy that partitions encoded representations into packets carrying different levels of semantic and latent-feature importance and assigns these packets to different streams, each associated with a priority level when transmitted over unreliable communication channels. We also developed an error-resilient entropy model that removes inter-packet dependencies, allowing each packet to be decoded independently under packet losses. The complete system is trained end-to-end over the abstracted multi-level packet erasure channels, enabling learning of channel-aware representations together with importance-aware packet assignment while facilitating the network for differentiated packet prioritization. Experiments show that the proposed framework significantly improves robustness over baseline DCVC-RT under packet erasures, achieving graceful degradation in less important regions while better preserving task-relevant visual content.
• Abstract（参考訳）: 物理AIシステムは、信頼性の低い、タスク指向のビデオ通信を必要とする。 本稿では,マルチレベルパケット消去チャネルとして抽象化された信頼性の低いチャンネル上での高信頼性低遅延ビデオ伝送のための,セマンティック・アウェアなマルチレベルニューラルビデオ符号化手法を提案する。 提案するフレームワークは,リアルタイムDCVC-RTニューラルビデオコーデックをベースとして,符号化された表現を,さまざまな意味レベルと潜時重要度を持つパケットに分割するセマンティックおよび特徴認識型コーディング戦略を導入し,信頼性の低い通信チャネルを介して送信される場合の優先度レベルに関連付けて,これらのパケットを異なるストリームに割り当てる。 また,パケット間の依存関係を除去し,パケット損失下で各パケットを独立に復号化できるエラー耐性エントロピーモデルを開発した。 完全システムは、抽象化されたマルチレベルパケット消去チャネル上でエンドツーエンドにトレーニングされ、区別されたパケット優先化のためのネットワークを容易にしながら、重要を意識したパケット割り当てを伴うチャネル認識表現の学習を可能にする。 実験により,提案手法はパケット消去下でのベースラインDCVC-RTのロバスト性を大幅に向上し,重要でない領域で優雅な劣化を実現し,タスク関連ビジュアルコンテンツを保存できることが示されている。

関連論文リスト

• TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
  TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。 その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
  論文  参考訳（メタデータ） (2026-07-24T11:57:26Z)
• When Semantic Communication Meets Queueing: Cross-Layer Latency and Task Fidelity Optimization [5.523167414178437]
  学習したエンコーダ・デコーダアーキテクチャを持つSemComは、無線チャネルに最適化されたコンパクトなタスク指向表現のエンドツーエンド学習を可能にする。 本稿では,マルチタスク・セマンティック・オートエンコーダを用いたAWGNを用いたブロックフェード上のセマンティック・イメージ・トランスミッションについて検討する。 我々は,長期のセマンティックエラー制約の下で,更新毎の潜時次元を適応するオンラインセマンティックレートコントローラを開発した。
  論文  参考訳（メタデータ） (2026-05-06T23:30:46Z)
• Communication-Efficient Multi-Modal Edge Inference via Uncertainty-Aware Distributed Learning [60.650628083185616]
  トレーニングと推論効率を向上させるために,3段階のコミュニケーション対応分散学習フレームワークを提案する。 StageIでは、デバイスがローカルなマルチモーダルな自己教師型学習を行い、デバイス-サーバ交換なしで共有およびモダリティ固有のエンコーダを得る。 集中的な顕在的融合校正による分散微調整は、モダリティごとの不確かさを解消し、ノイズやチャネルのフェーディングによって歪んだ特徴を確実に集約する。 不確実性誘導フィードバック機構であるStageIIIは、分散環境での通信精度のトレードオフを最適化し、不確実なサンプルに対する追加機能を選択的に要求する。
  論文  参考訳（メタデータ） (2026-01-21T12:38:02Z)
• Context Video Semantic Transmission with Variable Length and Rate Coding over MIMO Channels [49.624608869195065]
  無線ビデオ伝送のためのコンテキストビデオセマンティックトランスミッション(CVST)フレームワークを提案する。 我々は、特徴群と多重入力多重出力(MIMO)サブチャネルの関係を明確に定式化するために、コンテキストチャネル相関マップを学習する。 近年の無線ビデオ・セマンティック・コミュニケーション・アプローチにおいて,標準化された分離符号化方式に対して性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-12-23T10:48:43Z)
• Channel-Aware Vector Quantization for Robust Semantic Communication on Discrete Channels [5.680520767606761]
  本稿では,VQJSCCと呼ばれるジョイントソースチャネル符号化フレームワークにおいて,チャネル認識ベクトル量子化(CAVQ)アルゴリズムを提案する。 このフレームワークでは、セマンティックな特徴を離散化し、変調星座のシンボルに直接マッピングし、CAVQはチャネル遷移確率を量子化プロセスに統合する。 伝送ストリームをサブチャネルに分解することで、コードブック順序と変調順序のミスマッチを処理するためのマルチコードブックアライメント機構も導入されている。
  論文  参考訳（メタデータ） (2025-10-21T13:02:35Z)
• Semantic Channel Equalization Strategies for Deep Joint Source-Channel Coding [8.967618587731694]
  ディープジョイント・ソース・チャネル・コーディング(DeepJSCC)は、エンドツーエンドのセマンティック・コミュニケーションの強力なパラダイムとして登場した。 既存のDeepJSCCスキームは送信機(TX)と受信機(RX)で共有潜在空間を仮定する。 このミスマッチは、"セマンティックノイズ"を導入し、再構築品質を劣化させ、下流タスクのパフォーマンスを低下させる。
  論文  参考訳（メタデータ） (2025-10-06T10:29:07Z)
• Take What You Need: Flexible Multi-Task Semantic Communications with Channel Adaptation [51.53221300103261]
  本稿では,マスク付きオートエンコーダアーキテクチャに基づく,チャネル適応型・マルチタスク対応のセマンティックコミュニケーションフレームワークについて紹介する。 チャネル認識抽出器を用いて、リアルタイムのチャネル条件に応じて、関連情報を動的に選択する。 画像再構成や物体検出などのタスクにおける従来の手法と比較して,本手法の優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-02-12T09:01:25Z)
• Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises [18.539501941328393]
  本稿では,ソースデータのアウトレイラを処理するために,遅延拡散モデルを用いたSemComシステムを開発した。 軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。 終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
  論文  参考訳（メタデータ） (2024-06-09T23:39:31Z)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• Structured Sparsity Learning for Efficient Video Super-Resolution [99.1632164448236]
  我々は、ビデオ超解像(VSR)モデルの特性に応じて、構造化スパシティ学習(SSL)と呼ばれる構造化プルーニング手法を開発する。 SSLでは,残差ブロック,リカレントネットワーク,アップサンプリングネットワークなど,VSRモデルのいくつかの重要なコンポーネントに対するプルーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-06-15T17:36:04Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。