低比特率下基于 AI 的视频会议人脸增强技术
提出了一种基于神经辐射场的新型低带宽神经压缩方法,用于高保真人像视频会议,该方法利用隐式辐射场实现了高保真的表情特征重建,具有低带宽和高分辨率重建的特点。
Feb, 2024
我们提出了一种基于 GAN 的方法,用于视频会议中的压缩失真减少,通过提取多尺度特征和结合面部标志的方式,恢复视频压缩后丢失的高频细节,实验证明该方法在高压缩速率下提高了视觉质量并生成了逼真的结果。
Nov, 2023
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
通过使用发送方提取的面部标志在接收方设备上真实重建面孔的方式,我们探讨和评估了几种深度对抗方法的优点和缺点,同时设计了一种基于 SiSiSiiarasdyet.Firdmeodmel 法的移动兼容架构,并借助 SPADE 块在重要区域(如眼睛和嘴唇)中优化结果。我们将网络压缩到约 3MB,使模型可在 iPhone 8(CPU)上实时运行。这种方法使视频通话速度低于几 kbits / 秒,比当前可用的替代方案低一个数量级。
Dec, 2020
本文介绍一种新的面部匿名化方法,名为 FIVA,提出了使用身份追踪实现一致的面部匿名化,并保证与原始面部有很强的区别。FIVA 对于 0.001 的误通过率具有 0 的真阳性。我们的工作考虑到了重建攻击这一重要的安全问题,并对对抗性噪声、均匀噪声和参数噪声应用不同的防御和保护方法来破坏重建攻击。此外,我们还展示了重建攻击模型可以用于检测深度伪造。最后,我们提供了实验证据,展示了 FIVA 如何甚至能够在单个目标图像上进行面部交换。
Sep, 2023
基于图像动画的视频压缩方法,通过使用预测编码方案和图像动画作为预测器,以及针对实际目标帧的残差编码,有效地提高压缩率,与 HEVC 和 VVC 相比可获得超过 70% 和 30% 的比特率增益。
Jul, 2023
Generative Face Video Coding (GFVC) techniques, which exploit facial priors and deep generative models, are comprehensively surveyed in this paper, including standardization efforts and their potential applications.
Nov, 2023
本文提出了一种多模式深度卷积神经网络方法,用于恢复被激进压缩的脸部视频,并明确了多种模式的先验知识对于减少压缩伪影的重要性,实验证明了该方法对于面部视频的卓越性能。
Jul, 2021