Sep, 2023

基于深度学习的无线网络实时直播流速控制

PDF
TL;DR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。
wireless usersvideo qualityencoder parametersdeep learningadaptive bitrate
发现论文，激发创造
  • 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

  • 深度视频编解码器控制

    本文提出了第一个同时考虑带宽限制和下游视觉性能的端到端可学习深度视频编解码器控制方法，通过在两种常见视觉任务和两个不同数据集上展示，我们的深度编解码器控制方法在满足动态带宽限制和遵循标准化的情况下，更好地保护了下游视觉性能。

    Aug, 2023

  • 移动设备上的实时神经视频恢复与增强

    移动设备上的视频流媒体体验优化是一个挑战，本文提出了一种基于深度学习的实时增强方法，包括视频帧恢复、超分辨率算法和接收端增强感知的视频比特率自适应算法，评估结果显示该方法能够提高视频流媒体系统的实时增强效果，并显著提高 24% 至 82% 的视频体验质量。

    Jul, 2023

  • 跨平台应用的实时神经视频编解码器的研究基于校准信息

    我们提出了一个实时跨平台神经视频编解码器，能够在消费级 GPU 上高效解码来自其他编码平台的 720P 视频比特流。

    Sep, 2023

  • 采用强化学习的实时视频调整

    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。

    Aug, 2020

  • 自适应速率控制下的无线图像传输深度联合源通道编码

    本文提出了一种新的适应性深度联合源通信信道编码方案，支持多速率传输，使用单个深度神经网络模型，并通过政策网络动态控制速率，该方案是首个能够使用单个网络模型自动调整速率的深度联合源通信信道编码方案。

    Oct, 2021

  • 用于深度图像压缩的通道级变量量化网络

    本研究提出了一种基于变量量化的控制器，它能动态分配显著通道和微不足道通道的比特率，同时我们提出了一种高斯混合模型量化器，并通过实验证明了我们的方法能够更好地重构图像并取得更好的性能。

    Jul, 2020

  • 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

  • 学习型视频压缩

    我们提出了一种 ML-based 的视频编码算法，通过评估不同分辨率和基于商业编解码器的标准视频压缩测试集发现，在低延迟模式下相对于 HEVC/H.265, AVC/H.264 和 VP9，我们的算法通常产生更小的代码。并且，我们的方法不会出现图块失真和像素化，可以产生更加视觉上令人愉悦的视频。

    Nov, 2018

  • 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