論文の概要: Spatial-Temporal Multi-scale Network for Screen Content Video Quality Enhancement

• arxiv url: http://arxiv.org/abs/2609.39894v1
• Date: Wed, 30 Sep 2026 14:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.951999
• Title: Spatial-Temporal Multi-scale Network for Screen Content Video Quality Enhancement
• Title（参考訳）: 画面コンテンツ品質向上のための空間時間マルチスケールネットワーク
• Abstract要約: スクリーンコンテンツビデオ(SCV)は、急激な動き、シーンスイッチ、テキストやグラフィックなどの高周波の詳細によって特徴付けられる。 時間的連続性に大きく依存する従来の映像強調法は,SCV処理時の性能劣化に悩まされることが多い。 圧縮SCV拡張に適した新しいフレームワークである空間時空間マルチスケールネットワーク(STM-Net)を提案する。
• 参考スコア（独自算出の注目度）: 7.225798693165665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from natural videos, Screen Content Videos (SCVs) are characterized by abrupt motion, scene switches, and high-frequency details such as text and graphics. Conventional video enhancement methods, which rely heavily on temporal continuity, often suffer from performance degradation when processing SCVs due to the disruption of temporal correlations. To address these challenges, we propose the Spatial-Temporal Multi-scale Network (STM-Net), a novel framework specifically tailored for compressed SCV enhancement. Our approach integrates three complementary components: a Prior-Guided Spatio-Temporal Dispatcher (PG-STD) that routes input into three parallel streams to avoid feature contamination, a Bidirectional Temporal Feature Extraction (BTFE) module that adaptively handles abrupt transitions without explicit detection, and a Cascaded Multi-scale Feature Distillation (CMFD) module that preserves critical high-frequency details. Experimental results demonstrate that STM-Net outperforms state-of-the-art methods in both objective metrics and subjective visual quality, providing a robust solution for screen content artifacts. Code is available at https://github.com/HUANGZiyin1/STM-Net.
• Abstract（参考訳）: 自然動画とは違って、スクリーンコンテンツビデオ(SCV)は突然の動き、シーンスイッチ、テキストやグラフィックなどの高周波の詳細が特徴である。 時間的連続性に強く依存する従来の映像強調法は、時間的相関の破壊によるSCV処理において、しばしば性能劣化に悩まされる。 これらの課題に対処するために、圧縮SCV拡張に適した新しいフレームワークである空間時間マルチスケールネットワーク(STM-Net)を提案する。 提案手法は,特徴汚染を回避するために3つの並列ストリームに入力をルーティングするPG-STD (Presideed-Guided Spatio-Temporal Dispatcher) と,明示的な検出なしに急激な遷移を適応的に処理するBTFE (Bidirectional Temporal Feature extract) モジュールと,重要な高周波の詳細を保存するCMFD (Cascaded Multi-scale Feature Distillation) モジュールの3つの補完成分を統合する。 実験の結果,STM-Netは客観的指標と主観的視覚的品質の両方において最先端の手法より優れており,スクリーンコンテンツアーティファクトに対する堅牢なソリューションを提供することがわかった。 コードはhttps://github.com/HUANGZiyin1/STM-Netで入手できる。

関連論文リスト

• S3VD: Semantic-Guidance Spatio-Temporal Scanning for Video Deraining [94.11319980472352]
  激しい降雨は、高周波の詳細を破損させ、動きのぼやけを発生させることで、屋外の映像を著しく劣化させる。 状態空間モデル(SSM)は、線形複雑性と長距離依存をモデル化する能力を備えたビジョンタスクの効率的な代替手段として登場した。 本稿では,ビデオデラリニングのためのセマンティック・スポーティカル・テンポラル・スキャン・フレームワークであるSVDを紹介する。 ビデオデラリニングベンチマークの実験では、S3VDの優位性を示し、ガンバベースベースラインよりも平均0.84dBのPSNRの改善を達成している。
  論文  参考訳（メタデータ） (2026-09-18T04:59:46Z)
• DiVE: Efficient Multi-View Driving Scenes Generation Based on Video Diffusion Transformer [56.98400572837792]
  DiVEは高忠実で、時間的コヒーレントで、相互に一貫したマルチビュービデオを生成する。 これらの革新は総じて、最小品質の劣化を伴う2.62倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-04-28T09:20:50Z)
• BF-STVSR: B-Splines and Fourier-Best Friends for High Fidelity Spatial-Temporal Video Super-Resolution [14.082598088990352]
  ビデオの空間的特徴と時間的特徴をよりよく表現するために,2つのキーモジュールを備えたC-STVSRフレームワークであるBF-STVSRを提案する。 提案手法は,PSNR や SSIM など様々な指標の最先端性を実現し,空間的詳細化や時間的整合性の向上を図っている。
  論文  参考訳（メタデータ） (2025-01-19T13:29:41Z)
• Enhancing Low-Cost Video Editing with Lightweight Adaptors and Temporal-Aware Inversion [28.38307253613529]
  本稿では,時間空間的・意味的一貫性をBaliteral DDIMインバージョンと統合するフレームワークを提案する。 MSR-VTTデータセットで示すように,本手法は知覚品質,テキスト画像アライメント,時間的コヒーレンスを大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-08T16:41:31Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• You Can Ground Earlier than See: An Effective and Efficient Pipeline for Temporal Sentence Grounding in Compressed Videos [56.676761067861236]
  ビデオがトリミングされていない場合、時間的文のグラウンド化は、文問合せに従って目的のモーメントを意味的に見つけることを目的としている。 それまでの優れた作品は、かなり成功したが、それらはデコードされたフレームから抽出されたハイレベルな視覚的特徴にのみ焦点を当てている。 本稿では,圧縮された映像を直接視覚入力として利用する,圧縮された領域のTSGを提案する。
  論文  参考訳（メタデータ） (2023-03-14T12:53:27Z)
• Coarse-to-Fine Video Denoising with Dual-Stage Spatial-Channel Transformer [29.03463312813923]
  Video Denoisingは、ノイズの多いビデオから高品質なフレームを復元することを目的としている。 既存のほとんどのアプローチでは、畳み込みニューラルネットワーク(CNN)を使用して、ノイズを元の視覚コンテンツから分離する。 粗大な映像をデノナイズするためのDual-stage Spatial-Channel Transformer (DSCT)を提案する。
  論文  参考訳（メタデータ） (2022-04-30T09:01:21Z)
• Slow-Fast Visual Tempo Learning for Video-based Action Recognition [78.3820439082979]
  アクション・ビジュアル・テンポ(Action visual tempo)は、アクションのダイナミクスと時間スケールを特徴付ける。 以前の方法は、複数のレートで生のビデオをサンプリングするか、階層的にバックボーンの特徴をサンプリングすることによって、視覚的テンポをキャプチャする。 単一層における低レベルバックボーン特徴からアクション・テンポを抽出するための時間相関モジュール(TCM)を提案する。
  論文  参考訳（メタデータ） (2022-02-24T14:20:04Z)
• Efficient Two-Stream Network for Violence Detection Using Separable Convolutional LSTM [0.0]
  Separable Convolutional LSTM(SepConvLSTM)と予め訓練されたMobileNetを活用した効率的な2ストリームディープラーニングアーキテクチャを提案する。 SepConvLSTMは、ConvLSTMの各ゲートの畳み込み操作を深さ方向に分離可能な畳み込みに置き換えて構築されます。 我々のモデルは、大きくて挑戦的なrwf-2000データセットの精度を2%以上上回っている。
  論文  参考訳（メタデータ） (2021-02-21T12:01:48Z)

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。