May, 2021

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

PDF
TL;DR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。
发现论文，激发创造
  • 递归融合与可变形时空注意力在视频压缩伪影减少中的应用

    本文提出了一种基于深度学习的视频还原方法，其采用递归融合模块和可变形时空注意力模块进行补偿，从而提高了众多现有算法在 MFQE 2.0 数据集上的还原质量。

    Aug, 2021

  • 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

  • MFQE 2.0: 一种新的压缩视频多帧质量增强方法

    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

  • 基于分层频率上采样和优化的压缩视频质量提升

    本研究提出了一种基于频率层次的上采样和优化神经网络（HFUR）来提高压缩视频质量，通过利用 DCT 域导出的先验信息进行无显式转换的频率上采样，并通过分层和迭代的优化提高最终输出的视觉质量。通过消融实验和可视化结果证明了所提出模块的有效性，并在公开基准测试集上进行了广泛实验，表明在恒定比特率和恒定 QP 模式下 HFUR 实现了最先进的性能。

    Mar, 2024

  • 基于时空的帧索引算法用于提升实时低运动视频流的 QoS

    基于时空帧索引的方法可以检测和消除视频帧内部和跨帧的冗余，在保证系统的服务质量（QoS）的同时，合理利用分配的带宽。

    Apr, 2024

  • M-LVC: 学习视频压缩的多帧预测

    该研究提出了一种端到端的学习视频压缩方案，使用多个参考帧来提高数据压缩效率，其中包括运动向量 (MV) 场的计算、残差和 MV 的深度自编码压缩，以及一个利用多个参考帧的 MV 细化网络和残差细化网络。

    Apr, 2020

  • FPANet: 使用基于频率的帧级后对齐技术进行视频去褶皱演示

    本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

    Jan, 2023

  • 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

  • 探究时空多频分析用于实现高保真度和时空一致性的视频预测

    本文提出基于多级小波分析的视频预测网络，以应对图像失真和时间不一致等现有预测模型所存在的问题，大量实验结果表明，本方法相较其他最先进的方法，具有更高的保真度和时间一致性。

    Feb, 2020

  • 学习时空频率变换器进行压缩视频超分辨率

    本文提出了一种基于 Frequency-Transformer 的压缩视频超分辨率方法，通过在空间、时间、频率域进行自注意力机制，有效地提取并转移高质量纹理进行视频帧增强和恢复。实验结果表明，该方法在两个广泛使用的视频超分辨率基准测试中均表现优于现有技术，并且在无损和有损视频上均具有明显的视觉优势。

    Aug, 2022