Feb, 2019

MFQE 2.0: 一种新的压缩视频多帧质量增强方法

PDF
TL;DR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。
deep learningcompressed videoquality enhancementmulti-frame quality enhancementconvolutional neural network
发现论文，激发创造
  • 压缩视频的多帧质量增强

    本研究提出了一种通过多帧卷积神经网络对视频进行质量增强的方法，利用支持向量机检测出压缩视频中峰值质量帧并结合运动补偿子网络和质量增强子网络来提高视频的压缩质量。

    Mar, 2018

  • 质量门控卷积 LSTM 用于增强压缩视频

    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

  • 提升 HEVC 压缩视频的质量

    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

  • 非局部 ConvLSTM 用于视频压缩伪影降噪

    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

  • 通过参考帧提案和频域信息提高视频压缩伪影减少的性能

    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

  • 分层质量与循环增强的视频压缩学习

    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

  • 卷积神经网络用于视频质量评估

    本文介绍一种基于深度学习框架的视频质量评估方法，综合考虑了压缩失真和传输延迟，通过端到端特征学习，可提高视频内容传输机制 VQA 的准确性。

    Sep, 2018

  • 通过时间组对齐和融合的压缩视频质量提升

    本论文提出了一种时序群组对齐和融合网络，通过利用帧之间的长短期相关性来提高压缩视频的质量。该网络包括内部组特征对齐模块、外部组特征融合模块和特征增强模块，通过选择与目标增强帧的时间距离来组成图片组，从而使图片组能够包含邻近帧的长期或短期相关信息。该方法在实验结果中显示相较于现有技术方法，提高了 0.05dB 并降低了复杂度。

    Jun, 2024

  • 面部视频压缩的感知质量评估：基准和有效方法

    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

  • 压缩图像的资源高效盲质量增强：是否提前退出？

    该论文提出了一种适用于压缩图像的资源高效的盲品质增强方法，它在动态深度神经网络中，嵌入了一种早期退出策略，通过逐步提高压缩图像的质量，自动决定终止或继续增强，从而在更简单和更快的进程中去除轻微的失真，同时在更精细的进程中进一步去除严重的失真。

    Jun, 2020