压缩视频的多帧质量增强
本文介绍一种 Multi-Frame Quality Enhancement 的方法,采用 Bidirectional Long Short-Term Memory 去定位 Peak Quality Frames,并设计了一种 Convolutional Neural Network 去提高视频质量。
Feb, 2019
本研究提出了一种 QE-CNN 方法来增强 HEVC 视频的质量,该方法通过学习 QE-CNN-I 和 QE-CNN-P 模型分别降低 I 和 P 帧的失真,同时进一步提出了 TQEO 方案来控制 QE-CNN 的计算时间以满足时限要求并最大化质量增强效果。
Sep, 2017
本文提出了一种有效的参考帧策略和一种基于 FFT 的损失方法,以提高已有多帧方法的性能,实验结果表明,我们的方法在 MFQE2.0 数据集上表现优异,赢得了 NTIRE 2021 质量提升重度压缩视频挑战赛的 Track 1 和 Track 2,并在 Track 3 中排名第二。
May, 2021
本文提出了一种基于 ConvLSTM 的深度神经网络,称为非局部 ConvLSTM,以解决通过利用多个连续帧来降低视频压缩失真的问题,并在两个数据集上验证了其性能优于现有方法。
Oct, 2019
本文介绍了大规模压缩人脸视频质量评估数据库的构建和性能评估,该数据库被认为是系统地理解人脸视频中感知质量和多样化压缩畸变的第一次尝试,同时还开发了 FAVOR 指数来度量人脸视频的感知质量。
Apr, 2023
本文提出了一种分层学习视频压缩(HLVC)方法,其具有三个分层质量层和一种重复增强网络。我们通过一种图像压缩方法压缩第一层帧,并使用这些帧作为参考来压缩相对高质量的第二层。然后,使用提出的单运动深度压缩(SMDC)网络压缩具有最低质量的第三层。在我们的 HLVC 方法中,分层质量有助于编解码效率,并且最终结果在 PSNR 和 MS-SSIM 方面优于 x265 的 “低延迟 P(LDP)非常快” 模式。
Mar, 2020
本文提出了一种基于品质的门机制的卷积长短期记忆(QG-ConvLSTM)神经网络,以利用大量帧的优势信息,整合了多帧信息进行质量增强,实现了压缩视频的最新质量增强。
Mar, 2019
针对压缩视频的质量增强任务,提出了 Compression-Realize Deep Structural Network(CRDS)方法,利用经典压缩编码器结构和深度网络能力相结合的方式,引入了三种与压缩编解码器中三个主要过程相匹配的归纳偏差。通过构建预训练的潜在降级残差自编码器、精确的运动估计和残差提取以及分解质量增强为一系列简单的降噪子任务,实验证明该方法在 LDV 2.0 和 MFQE 2.0 等数据集上超越了现有模型。
May, 2024
本文提出了一种增强型二次视频插值(EQVI)模型,该模型采用修正后的二次流场预测(RQFP)将运动估计得到的流信息更精确地编码,结合基于像素级融合的图像处理和在高维特征空间中使用参数生成的残差上下文合成网络(RCSN)来处理更加复杂的场景和动态模式,同时设计了一个多尺度融合网络(MS-Fusion)来提升性能。该模型在 AIM2020 视频时域超分辨率挑战赛中获得了第一名。
Sep, 2020