低秩视频表示与重建的生成模型
本文通过将自回归生成模型与有损视频压缩任务联系起来,提出了一种基于机器学习的视频压缩方法。大规模视频数据的全面评估表明,在视频数据的压缩比率及失真质量上,该方法优于传统的基于机器学习和基于传统技术的方法。
Oct, 2020
本研究提出了一种新的基于已有组件的网络结构用于快速学习视频压缩,针对现有方法的图形概率模型进行了分析并指出了实验评估中观察到的时间一致性和颜色偏移的问题,并提出了解决这些问题的方向。
Apr, 2020
本文提出了一种基于深度生成模型的视频压缩方法,采用三维自编码器和自回归先验以最小化速率失真损失,实现编码效果优于现有的基于运动补偿或插值的视频压缩网络,并且在设计选择和压缩技术方面进行了系统评估和扩展,包括语义压缩、自适应压缩和多模态压缩,以便在非标准成像传感器捕获的多个模态数据上实现联合压缩。
Aug, 2019
本文提出了一种适用于逐帧视频的感知式学习视频压缩 (Pervetual Learned Video Compression,PLVC) 方法,并首次提出了一种递归条件判别器,该方法可以在保留视频画质和压缩率同时,满足时域上的一致性,而且其性能远远好于现有的学习视频压缩算法及现有标准 HEVC HM 16.20。
Sep, 2021
该研究旨在利用卷积神经网络及非局部冗余优化视频压缩,达到与预处理去噪 CNN 类似的编码增益,同时只需要约为 1% 的计算复杂度,适用于资源受限的条件下进行视频压缩。
Oct, 2019
本文提出并研究了分布保持有损压缩问题,旨在优化速率失真间的平衡,使重建样本符合训练数据的分布,并通过采用 Wasserstein GAN 和 Wasserstein 自编码器的组合等方法,进行了理论和实证分析。
May, 2018
本文提出了一种基于层次结构的潜变量模型来提高模型表达能力,减少模糊预测,用于视频序列的未来帧预测任务,经过实验证明本方法在不同数据集上优于现有的潜变量模型。
Apr, 2019