論文の概要: Resolution-Flexible Decoding for Hybrid Neural Video Representations

• arxiv url: http://arxiv.org/abs/2609.23555v1
• Date: Sun, 20 Sep 2026 11:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.850734
• Title: Resolution-Flexible Decoding for Hybrid Neural Video Representations
• Title（参考訳）: ハイブリッドニューラルビデオ表現のための分解能フレキシブルデコーディング
• Abstract要約: ハイブリッドNVRのための分解能フレキシブルデコーダフレームワークを提案する。 提案するフレームワークは,ハイブリッドNVRの基本表現形式を保存し,異なるバックボーンに適用することができる。 UVGデータセットの実験により,提案手法は対応するNVRベースラインよりも再現性を向上させることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural video representations (NVRs) represent videos using neural network parameters and, in hybrid formulations, frame-wise latent embeddings. Although hybrid NVRs can improve reconstruction quality by using content-adaptive latent embeddings, their latent spatial sizes and decoder upsampling schedules are tied to the target frame resolution. For high-resolution videos, this dependency may require large and non-uniform upsampling factors and can affect the parameter allocation between the latent embeddings and the decoder. In this paper, we propose a resolution-flexible decoder framework for hybrid NVRs. The decoder is constructed from uniform \(2\times\) upsampling stages, whose target feature sizes are obtained by tracing the spatial resolution backward from the final output resolution. After each upsampling stage, the feature map is aligned with the target size by minimal padding or cropping when necessary. To support this progressive decoding process, we further use intermediate reconstruction supervision and a reconstruction-difficulty-aware frame sampling strategy based on recent frame-wise losses. The framework preserves the basic representation format of hybrid NVRs and can therefore be applied to different backbones. Experiments on the UVG dataset show that the proposed approach improves reconstruction quality over the corresponding NVR baselines.
• Abstract（参考訳）: ニューラルビデオ表現(NVR)は、ニューラルネットワークパラメータを使用してビデオを表現する。 ハイブリッドNVRは、コンテンツ適応型潜伏埋め込みを用いて再構成品質を向上させることができるが、その潜伏空間サイズとデコーダアップサンプリングスケジュールは、目標フレーム解像度に関連付けられている。 高解像度ビデオの場合、この依存関係は大きなおよび一様でないアップサンプリング因子を必要とし、潜伏埋め込みとデコーダの間のパラメータ割り当てに影響を与える可能性がある。 本稿では,ハイブリッドNVRのための分解能フレキシブルデコーダフレームワークを提案する。 デコーダは、最終的な出力解像度から後方に空間分解能をトレースすることにより、目標特徴サイズが得られた均一な((2\times\)アップサンプリングステージから構成される。 各アップサンプリングステージの後に、必要であれば最小のパディングや収穫により、特徴マップを目標サイズに整列する。 このプログレッシブデコーディングプロセスを支援するために,近年のフレームワイド・ロスに基づいて,中間再構成監視と再構成非対応フレームサンプリング戦略をさらに活用する。 このフレームワークはハイブリッドNVRの基本的な表現形式を保持しており、異なるバックボーンに適用することができる。 UVGデータセットの実験により,提案手法は対応するNVRベースラインよりも再現性を向上させることが示された。

関連論文リスト

• CoANeRV: Coordinate-Aware Token-Space Neural Video Representation [28.15299176422099]
  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。
  論文  参考訳（メタデータ） (2026-08-14T04:19:15Z)
• Structure-Preserving Patch Decoding for Efficient Neural Video Representation [0.0]
  構造保存パッチ(SPP)に基づくニューラルビデオ表現法を提案する。 提案手法は,各映像フレームを,決定論的画素ベースの分割により,空間的に整列したフレームのパッチ画像に分割する。 我々はデコーダにこれらの構造化パッチを再構築するよう訓練し、グローバルからローカルへのデコーダ戦略を可能にする。
  論文  参考訳（メタデータ） (2025-06-15T15:58:23Z)
• 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)
• Learning Spatial Adaptation and Temporal Coherence in Diffusion Models for Video Super-Resolution [151.1255837803585]
  ビデオ超解像のための空間適応と時間コヒーレンス(SATeCo)を追求する新しい手法を提案する。 SATeCoは低解像度ビデオから時空間ガイダンスを学習し、潜時空間高解像度ビデオデノイングとピクセル空間ビデオ再構成の両方を校正する。 REDS4データセットとVid4データセットを用いて行った実験は、我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:26Z)
• 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)
• Continuous Space-Time Video Super-Resolution Utilizing Long-Range Temporal Information [48.20843501171717]
  本稿では,任意のフレームレートと空間解像度に変換可能な連続ST-VSR(CSTVSR)手法を提案する。 本稿では,提案アルゴリズムの柔軟性が向上し,各種データセットの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-02-26T08:02:39Z)
• 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)
• 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)
• Decomposition, Compression, and Synthesis (DCS)-based Video Coding: A Neural Exploration via Resolution-Adaptive Learning [30.54722074562783]
  入力映像をそれぞれの空間テクスチャフレーム(STF)に分解する。 次に,一般的なビデオコーダを用いて圧縮する。 最後に,デコードされたSTFとTMFをネイティブ入力と同じ解像度で合成し,高品質なビデオ再構成を実現する。
  論文  参考訳（メタデータ） (2020-12-01T17:23:53Z)

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。