Aug, 2020

采用强化学习的实时视频调整

PDF
TL;DR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。
adaptive bitraterl-based algorithmsneural network architecturebayesian optimizationqoe optimization
发现论文，激发创造
  • LL-GABR: 使用强化学习的能源高效实时视频流传输

    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

  • 无人机网络中基于神经网络自适应码率视频流传输的传感器增强技术

    本文介绍了一种基于传感器数据及深度强化学习的视频自适应码率算法（SA-ABR），适用于无人机的实时高清视频传输，无需对无人机状态或环境进行假设或建模，其平均体验质量奖励表现比现有技术提高了 21.4%。

    Sep, 2019

  • 基于 MADRL 的 360° 视频流媒体自适应与多视点预测

    提出了一种多模态时空注意力转换器来生成多个视点轨迹，基于多视点预测的多智能体深度强化学习 (MADRL) 的自适应比特率流媒体算法，用于在不同的网络条件下最大化不同的体验质量 (QoE) 目标，实验结果显示与现有的自适应比特率方法相比，提出的方法可将定义的 QoE 度量改善高达 85.5%。

    May, 2024

  • EVAN: 基于神经表示的视频流适应性进化

    传统编解码器的自适应比特率 (ABR) 一旦做出决策后无法进一步修改，且选择的比特率可能过于保守或过于激进，而神经网络表示法 (NeRV) 可以将视频内容嵌入神经网络权重，实现不完整模型下的视频重建，为视频传输的自适应比特率策略的开发铺平了道路。本文提出了一种名为 Evolutional Video streaming Adaptation via Neural representation (EVAN) 的新框架，它能够通过使用软演员 - 评论家 (SAC) 强化学习自适应地传输 NeRV 模型，并采用渐进播放来避免重新缓冲，实验结果表明，EVAN 能够比现有的 ABR 方法减少 50% 的重新缓冲，并实现近 20% 的性能提升。

    Apr, 2024

  • Pensieve 5G：面向商用 5G SA/NR-DC 网络的基于 RL 的 UHD 4K/8K 内容交付 ABR 算法实现

    本文通过机器学习，优化了一种高性能自适应码率算法 Pensieve，以适应不同 5G 网络特征和 UHD 内容的传输，提出了更精准的 QoE 指标，并在不同 5G 网络场景下进行评估，结果表明 Pensieve 5G 相比其他算法具有更高的平均 QoE 提升幅度。

    Dec, 2022

  • 基于强化学习的多源 DASH 自适应和调度方法

    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

  • 基于深度学习的无线网络实时直播流速控制

    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

  • BOLA: 在线视频的近最优码率自适应

    通过分段视频编码和自适应码率算法，研究制定了一个以 Lyapunov 优化为基础的在线控制算法 BOLA，它能够最小化重新缓冲的概率并优化视频质量，不需要网络带宽的预测，并在模拟网络环境中证明其几乎实现最优效果，并应用到 DASH 标准的实时视频传输中。

    Jan, 2016

  • 学习预测流媒体视频的 QoE: 失真、重新缓冲和记忆

    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

  • 基于深度学习的实时标准视频压缩质量控制技术在直播中的应用

    基于实时深度学习的 H.264 控制器通过动态估算最优的编码器参数来维持视频质量，并在最小化压缩视频的平均比特率的同时实现高达 2.5 倍的带宽使用改善，且非符合概率低于 10^-2。

    Nov, 2023