論文の概要: ScoutNeRV: Rapid Encoding of Grid-Based Video INRs via ScoutNet

• arxiv url: http://arxiv.org/abs/2609.27958v1
• Date: Tue, 25 Aug 2026 21:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.020653
• Title: ScoutNeRV: Rapid Encoding of Grid-Based Video INRs via ScoutNet
• Title（参考訳）: ScoutNeRV: ScoutNetによるグリッドベースのビデオINRの高速エンコーディング
• Abstract要約: Inlicit Neural representations (INR) はビデオ圧縮のための有望なパラダイムとして登場した。 階層型ビデオINRの最適化を高速化するScoutNeRVを提案する。 ScoutNeRVは、少数のサンプルフレームを分析する、軽量でオフラインでトレーニングされたスカウトネットワークを使用している。
• 参考スコア（独自算出の注目度）: 1.8096299558132636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural representations (INRs) have emerged as a promising paradigm for video compression, providing compact neural representations with flexible spatial and temporal reconstruction. Hierarchical grid-based architectures such as HiNeRV achieve strong rate--distortion performance, but require extensive per-video optimization, resulting in high encoding costs. To address this limitation, we propose ScoutNeRV, a content-adaptive initialization framework for accelerating the optimization of hierarchical video INRs. ScoutNeRV employs a lightweight, offline-trained scout network that analyzes a small number of sampled frames and selects a suitable pre-trained expert from a memory bank through hard routing. The hierarchical grid and decoder parameters of the selected expert are then transferred to initialize the target HiNeRV model before video-specific fine-tuning. On the unseen ReadySetGo sequence, ScoutNeRV achieves an initial PSNR of $34.95$~dB, compared with $13.70$~dB for standard initialization, corresponding to a $21.25$~dB improvement before fine-tuning. After only 37 epochs, ScoutNeRV reaches $36.92$~dB and remains within $0.42$--$0.80$~dB of the 300-epoch HiNeRV baseline across the evaluated rate--distortion configurations. Furthermore, the proposed initialization achieves a $9.25\times$ wall-clock speedup in the reported runtime experiment. These results demonstrate that content-aware expert initialization can substantially reduce the optimization cost of hierarchical video INRs while retaining competitive reconstruction and compression performance. The code is available at https://github.com/nasserdeveloper/ScoutNeRV.
• Abstract（参考訳）: Inlicit Neural representations (INR) はビデオ圧縮のための有望なパラダイムとして登場し、フレキシブルな空間的および時間的再構成を備えたコンパクトなニューラル表現を提供する。 HiNeRVのような階層的なグリッドベースのアーキテクチャは、高いレート-歪み性能を実現するが、ビデオごとの最適化が必要とされるため、符号化コストが高い。 この制限に対処するため、階層ビデオINRの最適化を高速化するコンテンツ適応初期化フレームワークであるScoutNeRVを提案する。 ScoutNeRVは軽量でオフラインでトレーニングされたスカウトネットワークを使用し、少数のサンプルフレームを分析し、ハードルーティングを通じてメモリバンクから適切なトレーニング済みの専門家を選択する。 その後、選択した専門家の階層グリッドとデコーダパラメータを転送して、ターゲットのHiNeRVモデルをビデオ固有の微調整の前に初期化する。 目に見えないReadySetGoシーケンスでは、ScoutNeRVは34.95$~dBの初期PSNRを標準初期化の13.70$~dBに対して達成し、微調整前の21.25$~dBの改善に対応する。 わずか37エポックの後、ScoutNeRVは36.92$~dBに達し、評価レート-歪曲構成で300エポックのHiNeRVベースラインの0.42$--0.80$~dB以内である。 さらに、提案された初期化は、報告されたランタイム実験で9.25\times$wall-clockのスピードアップを達成する。 これらの結果から,コンテント・アウェア・エキスパートの初期化は,競争力のある再構成と圧縮性能を維持しつつ,階層型ビデオINRの最適化コストを大幅に削減できることが示唆された。 コードはhttps://github.com/nasserdeveloper/ScoutNeRVで公開されている。

関連論文リスト

• ZeroGVC: Zero-Shot Generative Video Compression with Autoregressive Diffusion Priors [52.50325804778549]
  我々はゼロショット生成ビデオ圧縮フレームワークZeroGVCを提案する。 ZeroGVCは、画像群(GOP)の最初のフレームを符号化し、Codebook-Guided Autoregressive Latent Compressionを通じてその後のPフレームを表現する。 標準ビデオ圧縮ベンチマークの実験では、ZeroGVCは、追加のトレーニングを伴わずに、超低速度での知覚的再構成品質が優れたことを実証している。
  論文  参考訳（メタデータ） (2026-06-21T07:46:14Z)
• LRConv-NeRV: Low Rank Convolution for Efficient Neural Video Compression [2.7920304852537527]
  提案するLRConv-NeRVは,高密度な3x3畳み込み層を低ランク分離型畳み込みに置き換える,効率的なNeRV変種である。 実験では、LRConvを最終デコーダ段階のみに適用するとデコーダの複雑さが68%減少することを示した。 その結果、LRConv-NeRVは、低精度かつリソース制約の条件下での効率的なニューラルビデオデコーディングの潜在的なアーキテクチャ上の代替品として確立された。
  論文  参考訳（メタデータ） (2026-03-18T20:31:59Z)
• TeCoNeRV: Leveraging Temporal Coherence for Compressible Neural Representations for Videos [51.99176811574457]
  Inlicit Neural Representations (INRs) は、最近ビデオ圧縮における印象的な性能を実証した。 しかし、エンコーディング効率を維持しながら高解像度ビデオへのスケーリングは依然として大きな課題である。 3つの重要なコントリビューションを通じて、これらの基本的な制限に対処します。 我々は,UVG,HEVC,MCL-JCVで480p,720p,1080pで実験を行った最初のハイパーネットワークアプローチである。
  論文  参考訳（メタデータ） (2026-02-18T18:59:55Z)
• NeRV-Diffusion: Diffuse Implicit Neural Representations for Video Synthesis [48.35964370809449]
  NeRV-Diffusionは暗黙の潜伏ビデオ拡散モデルであり、ニューラルネットワークの重みを生成することによってビデオを合成する。 フレームワイドな特徴マップにビデオをエンコードする従来のビデオトークンとは対照的に、NEV-Diffusionは圧縮して、統一されたニューラルネットワークとしてビデオを生成する。
  論文  参考訳（メタデータ） (2025-09-29T06:53:08Z)
• Tree-NeRV: A Tree-Structured Neural Representation for Efficient Non-Uniform Video Encoding [26.638854682076733]
  Inlicit Neural Representations for Videos (NeRV)がビデオ表現の強力なパラダイムとして登場した。 既存のNERVベースの手法は、時間軸に沿った一様サンプリングに依存しており、最適速度歪み(RD)性能に繋がる。 本稿では,木構造を持つ新しい特徴表現であるTree-NeRVを提案する。
  論文  参考訳（メタデータ） (2025-04-17T12:40:33Z)
• HiNeRV: Video Compression with Hierarchical Encoding-based Neural Representation [14.088444622391501]
  Implicit Representations (INRs) は画像やビデオのコンテントの表現や圧縮に使われてきた。 既存のINRベースの手法は、ビデオ圧縮の最先端技術に匹敵する速度性能を達成できなかった。 軽量層と階層的位置符号化を組み合わせたINRであるHiNeRVを提案する。
  論文  参考訳（メタデータ） (2023-06-16T12:59:52Z)
• HNeRV: A Hybrid Neural Representation for Videos [56.492309149698606]
  暗黙の神経表現は、動画をニューラルネットワークとして保存する。 ビデオ用ハイブリッドニューラル表現法(HNeRV)を提案する。 コンテンツ適応型埋め込みと再設計アーキテクチャにより、HNeRVはビデオレグレッションタスクにおいて暗黙のメソッドよりも優れる。
  論文  参考訳（メタデータ） (2023-04-05T17:55:04Z)
• 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)

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。