Nov, 2023

模糊视频压缩：在视觉增强和数据压缩之间的权衡

PDF
TL;DR在这项研究中，我们通过利用视觉增强和数据压缩之间的自然权衡，将视频压缩问题定式为一个最小最大化优化问题，并提出了一个有效的框架和训练策略来解决该问题。实验结果表明，我们的方法在多个基准数据集上比多个最先进的视频压缩方法更为有效。
video compressionspatial and temporal redundanciesmotion blurlow frame ratevisual enhancement
发现论文，激发创造
  • 利用视频编码知识进行深度视频增强

    本文提出了一种新的框架，利用视频压缩的低延迟配置和上下文自适应视频融合方法，提高 BasicVSR ++ 方法的质量，已在 NTIRE22 挑战中得到验证，并在定量指标和视觉质量方面与之前的方法相比均有所提高。

    Feb, 2023

  • 高视觉保真度学习视频压缩

    通过设计自信度基于的特征重建方法和周期性补偿损失，本文提出了一种新颖的高视觉保真度学习视频压缩框架 (HVFVC)，以解决学习视频压缩中的重建问题和优化缺陷，实现了出色的感知质量，并仅需占最新 VVC 标准的 50% 比特率。

    Oct, 2023

  • AlphaVC：高性能和高效的学习型视频压缩

    本文提出了 AlphaVC 的压缩算法，采用了几种新的技术来有效地提高压缩性能，包括引入条件 I 帧、像素到特征的运动预测方法和基于概率的熵跳过方法。AlphaVC 在所有常见测试数据集上的 PSNR 和 MSSSIM 指标上均超过了最新的压缩标准 VVC，并且具有非常快的编码和解码速度。

    Jul, 2022

  • 利用压缩帧大小实现超快速视频分类

    通过检查视频的后压缩比特流进行分类，我们提出了一种新颖的方法，消除了对比特流解码的需求，并在性能上超越了传统的动态时间规整算法。

    Mar, 2024

  • 利用预先存在的失真预测压缩视频的质量

    本研究旨在通过开发一种新的视频质量评估框架 1stepVQA，通过利用自然视频和混合失真视频的统计规律，更准确地预测压缩后视频的质量，并采用一种新的视频数据库，其中包括 (通常是失真的) UGC 视频参考和大量压缩版本的视频。

    Apr, 2020

  • SnapCap: 高效的快照压缩视频字幕

    我们提出了一种从压缩测量直接生成字幕的新型视频字幕生成模型 SnapCap，并通过使用预训练的 CLIP 来提取与语言相关的视觉表示，实验证明我们的模型在速度和字幕质量方面优于传统的视频字幕生成方法。

    Jan, 2024

  • 运动模糊视频插值和外推

    本研究提出了一种新的框架，该框架可以通过光流估计学习引起模糊的像素级运动，然后将已解码的特征变形以估算的光流预测多个清晰的帧，从而以一种端到端的方式从运动模糊视频中去模糊、插值和外推锐化帧。

    Mar, 2021

  • 基于编码曝光和视频隐式神经表示的轻量级高速摄影

    通过利用经典的编码曝光成像技术和新兴的隐式神经表示视频技术，本研究工作巧妙地在成像过程中嵌入运动方向线索，并开发了一种新颖的自递归神经网络，通过利用嵌入的运动方向线索从模糊图像中顺序检索潜在的视频序列。通过在基准数据集和实际捕获的模糊图像上进行大量实验证实了我们提出的框架的有效性和效率，结果表明我们的方法在质量和灵活性上显著优于现有方法。

    Nov, 2023

  • UCVC: 一种统一的上下文视频压缩框架，具有联合 P 帧和 B 帧编码

    通过提出统一的上下文视频压缩框架（UCVC），本研究针对学习图像压缩的第六届挑战（CLIC）视频压缩赛道，在 DCC 2024 中呈现了一种学习视频压缩方法，能够同时进行 P 帧和 B 帧编码，通过联合优化模型参数使得该框架可以支持 P 帧和 B 帧编码，实现与专门为 P 帧或 B 帧设计的压缩效率相媲美；在挑战提交中，我们报告了通过为每个测试序列选择适当的帧类型获得的最佳压缩效率，我们的团队名为 PKUSZ-LVC。

    Feb, 2024

  • 采用对比度减弱的物体检测 VVC 扩展方案

    本文介绍了一种基于 Versatile Video Coding 的视频编码方案，用于物体检测，通过减小图像尺寸和对比度的方式实现了更好的编码性能和物体检测精度。

    May, 2023