在 Facebook 视频流平台，我们评估最新提出的基于 RL 的自适应比特率算法，采用可扩展的神经网络架构设计，利用贝叶斯优化进行奖励塑形，优化用户体验目标，以应对网络环境的随机性方差。在全球范围内超过 3000 万次视频流会话中，我们的 RL 方法优于现有的人工设计的算法。

Aug, 2020

Mobile streaming video is often affected by the unstable bandwidth of modern wireless networks resulting in playback interruptions; this paper proposes a machine learning framework called Video ATLAS, which combines several quality-related features to predict users' quality of experience and provides improved performance over existing metrics while generalizing well on different datasets, enabling cost-effective adaptive network strategies.

Mar, 2017

本文研究了无线网络中自适应视频流调度策略的优化设计问题，其中采用了 “分而治之” 的方法和 Lyapunov Drift Plus Penalty 方法，提出了两个子策略解决拥塞控制和传输调度问题，并提出了一种自适应估计最大排队延迟的方法。

Apr, 2013

提出了一种实时基于深度学习的 H.264 控制器，利用即时的信道质量数据和视频块动态估计最优的编码器参数，以保持编码视频的比特率略低于可用信道比特率，验证了该方法在视频质量上相较于最先进的自适应比特率视频流媒体有 10-20 dB 的改进，平均数据包丢失率低至 0.002。

Sep, 2023

直接预测每个预设比特率的最佳转码分辨率以实现高效比特率阶梯构建。采用时间注意力门控循环网络来捕捉时空特征，并将转码分辨率预测作为一个多任务分类问题。我们证明了通过此方法可以有效地确定内容优化的比特率阶梯，且不需要任何预编码。我们的方法近似于地面实况比特率 - 分辨率对，Bjøntegaard Delta 率损失为 1.21％，并且明显优于现有的固定阶梯。

Jan, 2024

用感知视频质量代替比特率，结合能量消耗、延迟等度量，提出 LL-GABR 深度强化学习算法，通过模拟实验结果验证其在感知 QoE 和能量效率上的优势。

Feb, 2024

该研究提出了两种源于动态自适应流传输的算法：基于强化学习的自适应与调度算法（RLAGS）和基于强化学习的自适应与调度算法（RLAS）。通过真实轨迹数据的广泛模拟，证明了所提出算法的有效性。

Jul, 2023

本文研究了如何通过选择视频质量和发射功率来最小化视频流中断及低质量视频数据包的数量，同时满足 AP 的平均功率约束。作者将问题建模为受限制的马尔可夫决策过程，并证明了最优策略具有阈值结构。

Sep, 2015

本文研究了将预先训练的人体网格重建模型适应于域外流视频的新问题，提出了使用名为 BOA 的新训练算法来动态微调源模型，从而缓解域间差距，避免 2D 和时间约束之间的冲突。在人体网格重建基准测试中，展示了 BOA 领先于其他算法的最新成果。

Mar, 2021

该研究考虑如何在线适应人体网格重建模型以适应不同相机参数、骨长、背景和遮挡等因素产生的分布偏移，提出 Dynamic Bilevel Online Adaptation 算法，并在三项人体网格重建基准测试中取得最先进的结果。

Nov, 2021