面向 HEVC 后处理的分区感知自适应切换神经网络
本文提出了一种基于分区蒙版卷积神经网络 (CNN) 的方法,通过利用编码器生成的分区信息指导质量增强,从而实现了对最先进的视频编码标准高效视频编码 (HECV) 的压缩视频增强。实验结果表明,该方法在基准序列上的 BD 率节省达到 9.76%以上,达到了最先进的性能水平。
May, 2018
本文提出了一种基于卷积神经网络的后处理算法用于高效视频编码,相较于 HEVC 基线平均比特率减少了 4.6%,并在实现更高的比特率降低,更低的内存成本和更快的计算速度方面优于以前研究的网络。
Aug, 2016
本文提出了一种基于卷积神经网络(CNN)的方法来加速 VVC 中的分区,该方法在编码树单元(CTU)级别操作,将每个 CTU 分割成 8x8 个固定网格块,每个网格中的单元格与该区域内的分区深度相关联,带有轻量级的网络用于预测此网格,通过限制四进制树(QT)分割搜索并避免不太可能选中的分区来达到加速的效果。实验证明,该方法在 VVC Test Model (VTM) 10 的 RandomAccess Group Of Picture 32(RAGOP32)模式中,可以实现从 17% 到 30% 的加速,以及以 0.37% 到 1.18% 的 BD 率增加的合理效率下降。
Dec, 2023
提出了一种基于卷积神经网络(CNN)的方法,通过预测 VVC 中的最佳分区路径来加速分区过程。在实验中,该方法在 BD-rate 方面取得了 0.44%至 4.59%的效率损失范围内,同时加速范围从 16.5%到 60.2%,超过了其他最先进的解决方案,并且是该领域中最轻量级的方法之一。
Oct, 2023
本研究探讨了卷积神经网络 (CNN) 和 Transformer 在视频后处理中的相互作用,并提出了一种新颖的空间和通道混合注意力视频后处理网络 (SC-HVPPNet),它可以协同地利用空间和通道域中的图像先验知识。大量实验证明,SC-HVPPNet 显著提升了视频修复质量,在 VTM-11.0-NNVC RA 配置中 Y、U 和 V 三个分量的平均比特率节省分别达到 5.29%、12.42% 和 13.09%。
Apr, 2024
本文提出了一种基于辅助编码器网络 (ACNs) 的通用影像压缩框架,该框架旨在通过改进紧凑表示和后处理网络的学习来提高编码效率,并证明了该框架在 JPEG 和 HEVC 标准下的通用性能优于现有技术。
Sep, 2020
本文提出了一种基于深度神经网络编码的新方法。通过利用多尺度的运动补偿网络进行大范围运动的估计和补偿,同时采用自适应空时上下文模型进行高效熵编码,采用非局部注意力模块进行特征聚合和激活,通过对多模块的优化和多帧训练策略进行时间误差的最小化,最后将其与其他方法进行比较,证明了在流行的测试序列中,在 PSNR 和 MS-SSIM 失真度量方面均取得了一致的优异性能。
Jul, 2020
提出了一种基于注意力机制的卷积神经网络用于低码率图像压缩的后处理,该后处理模块采用 MAE 和 MS-SSIM 损失训练,在 0.15 比特率下平均 PSNR 最高可达 32.10。
May, 2019
通过采用分组感知的参数高效更新(GPU)技术和轻量级适配器,该研究论文提出了一种适应内容的神经视频压缩方法,以提高适应性和压缩效率。实验证明该方法在四个视频基准测试和一个医学图像基准测试中展现出卓越的视频压缩效率。
May, 2024