論文の概要: Perceptual Distortion for Overfitted Video Coding: Sliced Matching in Space, Error Alignment in Time
- arxiv url: http://arxiv.org/abs/2611.07148v1
- Date: Wed, 04 Nov 2026 21:19:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.454182
- Title: Perceptual Distortion for Overfitted Video Coding: Sliced Matching in Space, Error Alignment in Time
- Title（参考訳）: 過度に適合したビデオ符号化のための知覚歪み:空間におけるスライスマッチング、時間における誤差アライメント
- Abstract要約: Wasserstein (WD) は、特徴マッチングにおける空間対応を緩和することにより、目的のバランスをとるための原則的なアプローチを提供する。
一次元の最適輸送により経験的特徴分布に一致する局所スライスワッサースタイン(SWD)を導入する。
動作軌跡に沿って符号誤差を制約する新しい流れ残差を用い, 追加の再構成忠実度制約を課すことなく時間的整合性を維持する。
- 参考スコア（独自算出の注目度）: 18.73508877673246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent works in neural video coding have increasingly been trading off perceptual quality against reconstruction fidelity at a fixed bitrate. Wasserstein Distortion (WD) offers a principled approach to balancing these objectives by relaxing spatial correspondences in feature matching, enabling lightweight overfitted image codecs to compete with computationally intensive generative decoders. Extending vanilla WD to video, however, presents two challenges: its independent Gaussian approximation limits the expressiveness of feature distribution matching, while unconstrained texture resampling across frames introduces temporal inconsistencies. We address these challenges by distinguishing between the correspondences that can be relaxed and those that must be preserved. Spatially, we introduce a local sliced Wasserstein distortion (SWD) that matches empirical feature distributions through one-dimensional optimal transport, capturing cross-channel dependencies without enforcing exact spatial alignment. Temporally, we employ a novel flow residual that constrains coding errors along motion trajectories, preserving temporal consistency without imposing additional reconstruction fidelity constraints. Evaluated on UVG and HEVC Class B with the overfitted codec COOL-CHIC, our framework achieves BD-rate reductions of 9.2% in DISTS and 3.0% in LPIPS relative to frame-wise WD, averaged over test sequences, while lowering tOF by 10.2% at matched rate.
- Abstract（参考訳）: ニューラルビデオ符号化の最近の研究は、固定ビットレートでの再構成忠実度に対する知覚的品質のトレードオフが増えている。
Wasserstein Distortion (WD)は、特徴マッチングにおける空間対応を緩和することにより、これらの目的のバランスをとるための原則的なアプローチを提供する。
独立なガウス近似は特徴分布マッチングの表現性を制限し、フレーム間の制約のないテクスチャ再サンプリングは時間的不整合をもたらす。
緩和可能な対応と保存すべき対応を区別することで、これらの課題に対処する。
局所スライスされたワッサースタイン歪み(SWD)は,一次元の最適輸送による経験的特徴分布と一致し,正確な空間的アライメントを強制することなく,チャネル間の依存関係を捕捉する。
時として,動作軌跡に沿った符号化誤差を制約する新たなフロー残差を用いて,再構成の完全性制約を課すことなく時間的整合性を維持する。
コーデックCOOL-CHICをオーバーフィットしたUVGおよびHEVCクラスBで評価した結果,フレームワイドWDに対して,フレームワイドWDに対して9.2%,LPIPSでは3.0%のBDレート低下を実現し,tOFを10.2%低下させた。
関連論文リスト
- Rethinking Video Storage for AI Training: Breaking Cross-Frame Dependencies for Efficient Random Access [50.93138320625733]
大規模なAIトレーニングは、ランダムな時間的サンプリングパターンを持つ巨大なビデオデータセットにますます依存している。
既存のビデオストレージパラダイムは逐次再生に最適化されており、圧縮効率を最大化するためにフレーム間参照構造を用いる。
本稿では,非関連フレームの逐次再構成と,サンプリング対象の参照チェーンの再構築という,デコード増幅の源泉を同定する。
論文 参考訳（メタデータ） (2026-10-21T09:19:30Z) - Towards Continual Test-Time Adaptation of Vision-Language Models in Open-Vocabulary Semantic Segmentation [7.440412390819483]
Diversify, Anchor, and Filter (DAF) はエントロピーに基づく適応を拡大するフレームワークである。
自然界,自律運転,水中画像,リモートセンシングの5つのデータセットを,その劣化した変種を用いて評価した。
論文 参考訳（メタデータ） (2026-08-30T17:39:14Z) - STAC: Selective Spatiotemporal Aggregation and Compression for Video Reasoning Segmentation [60.597357847359255]
ビデオセグメンテーションでは、複雑な自然言語クエリの下で数百フレームにわたるピクセル精度の高いオブジェクトトラッキングが要求される。
既存のメソッドはトークン圧縮を通じてこの問題に対処するが、典型的には時間的コンテキストを持たない機能で動作する。
状態空間モデルは、この制約を解決し、その線形反復性は、各トークンを時間的文脈で選択的に$mathcalO(T)$コスト圧縮して減少させる。
論文 参考訳（メタデータ） (2026-07-03T03:28:25Z) - Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Generation Is Compression: Zero-Shot Video Coding via Stochastic Rectified Flow [1.8898767128464697]
emphGenerative Video Codebook Codec (GVCC)は、事前訓練されたビデオ生成モデルをそれ自体に変換するゼロショットフレームワークである。
この統合されたバックボーン上に構築された3つの条件付け戦略 – emphImage-to-Video (I2V), emphText-to-Video (T2V), emphFirst-Last-Frame-to-Video (FLF2V) – をインスタンス化する。
論文 参考訳（メタデータ） (2026-03-27T16:33:20Z) - CIAR: Interval-based Collaborative Decoding for Image Generation Acceleration [47.52310736101766]
自動回帰(AR)モデルは最近画像生成において顕著な進歩を遂げ、拡散ベースのアプローチに匹敵するパフォーマンスを実現している。
我々は、デバイス上での自己検証を利用して視覚合成の2つの重要な特性を扱うクラウド・デバイス・コラボレーション・フレームワークである textbfCIAR を通じてこの問題に対処する。
提案手法は, 連続確率間隔を用いて処理を高速化し, 大規模視覚語彙で実現可能なオンデバイストークン不確実性定量化器に重点を置いている。
論文 参考訳（メタデータ） (2026-03-26T14:04:50Z) - Error-Propagation-Free Learned Video Compression With Dual-Domain Progressive Temporal Alignment [92.57576987521107]
両ドメインのプログレッシブな時間的アライメントと品質条件の混合(QCMoE)を備えた新しい統合変換フレームワークを提案する。
QCMoEは、魅力的なR-Dパフォーマンスで連続的かつ一貫したレート制御を可能にする。
実験結果から,提案手法は最先端技術と比較して,競争力のあるR-D性能を実現することが示された。
論文 参考訳（メタデータ） (2025-12-11T09:14:51Z) - Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。
再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。
提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
論文 参考訳（メタデータ） (2022-06-10T05:11:02Z)
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。