在低延迟约束下，该论文提出了一种低复杂度的跨层机制，用于改善 VANET 中 HEVC 视频流的端到端性能，并通过将视频的每个数据包分配到最合适的介质访问控制层上的访问类别（AC）队列来考虑视频编码过程的时间预测结构、帧的重要性和网络流量负载状态，模拟结果表明，该机制在不同目标低延迟视频通信场景中相对于 802.11p 中采用的 EDCA 能够显著提高视频质量和端到端延迟，并进行了服务质量（QoS）和用户体验质量（QoE）评估来验证该方法。

Nov, 2023

提出了在车辆环境中通过提高端到端视频传输质量来加强车辆应用中对视频获取和处理的依赖的算法。通过在 IEEE 802.11p MAC 层应用感兴趣区域 (ROI) 视觉数据包的自适应跨层映射，优先处理基于驾驶环境感知的场景 ROI 部分。在实际 VANET 仿真结果中，对于 HEVC 压缩视频通信，提出的系统在 ROI 部分提供了高达 11dB 的峰值信噪比增益。

Nov, 2023

本文提出了一种基于深度神经网络编码的新方法。通过利用多尺度的运动补偿网络进行大范围运动的估计和补偿，同时采用自适应空时上下文模型进行高效熵编码，采用非局部注意力模块进行特征聚合和激活，通过对多模块的优化和多帧训练策略进行时间误差的最小化，最后将其与其他方法进行比较，证明了在流行的测试序列中，在 PSNR 和 MS-SSIM 失真度量方面均取得了一致的优异性能。

Jul, 2020

提出一种基于运动感知、空时域通道上下文编码的视频压缩网络 (MASTC-VC)，该网络利用变分自编码器 (VAEs) 学习隐藏表示，捕捉帧内像素和帧间运动的特征，并通过多尺度运动感知模块 (MS-MAM) 和空时域通道上下文模块 (STCCM) 提高编码效率。在三个公共基准数据集上进行的综合实验表明，MASTC-VC 在 PSNR 度量上对 H.265/HEVC (HM-16.20) 平均 BD - 速率有 10.15％的节省，对 H.266/VVC (VTM-13.2) 平均 MS-SSIM 度量上有 23.93％的 BD - 速率节省。

Oct, 2023

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

Versatile video coding framework is proposed to learn compact representations for both human and machine vision, featuring a feature-based compression loop and cross-domain motion encoder/decoder, with evaluation results showing its compression efficiency on different video tasks with benchmark datasets.

Jun, 2023

通过训练长序列帧、分层编码的速率分配和内容适应推理，在常见测试条件下，我们提出了一种用于随机存取的端到端学习视频编解码器，其在某些视频类别上取得了与 VVC 相当的 YUV-PSNR BD-Rate 结果，并在几乎所有测试集上优于 VVC，在 VMAF BD-Rate 方面超过了开源的低延迟和随机访问端到端解决方案的平均水平。

Jun, 2024

本文提出了一种可扩展的视频编码框架，该框架通过基础层比特流支持机器视觉（特别是物体检测）和增强层比特流支持人类视觉，并且结果表明，该框架在物体检测方面比最先进的视频编解码器节省 13-19％的比特率，同时在人类视觉任务的 MS-SSIM 方面保持有竞争力。

Aug, 2022

本研究提出了一种名为 NN-VVC 的混合编解码器，结合了 E2E-learned 图像编解码器和传统视频编解码器 (CVC)，在图像和视频编码领域为机器实现高性能。实验证明，该系统在多个数据集和机器视觉任务上较 VVC 实现了高达 - 43.20% 和 - 26.8% 的 Bjøntegaard Delta 速率减小。据我们所知，这是第一篇在多个数据集和多个机器视觉任务上展示了优于 VVC 的混合视频编解码器的研究论文。

Jan, 2024

本文介绍了关于具有缓存和异步内容重用的无线网络吞吐量的一些最新研究成果，提出了一种基于 D2D 通信的综合系统设计，可以利用设备上内容的缓存来提供比基站传输和传统 D2D 网络更高的网络吞吐量，并通过与基站的直接连接提供稀有视频请求。

May, 2013