Mar, 2024

CPGA：用于压缩视频质量增强的编码先验引导聚合网络

PDF
TL;DR利用编码先验引导的聚合网络（CPGA）通过利用编码先验中的时间和空间信息，成功提升了压缩视频质量增强（VQE）任务的结果，并引入了全新的 Video Coding Priors（VCP）数据集，证明了该方法在 VQE 任务中的卓越性能。
compressed video quality enhancementcoding priorstemporal and spatial informationvideo coding priors datasetstate-of-the-art methods
发现论文，激发创造
  • 基于超先验引导方式预测的粗到细的深度视频编码

    本论文提出一种粗到细的（C2F）深度视频压缩框架，通过引入超先验信息和模式预测方法进行更好的运动补偿和压缩编码，实现了超越当前标准（如 HEVC，UVG 和 MCL-JCV）的性能。

    Jun, 2022

  • 通过时间组对齐和融合的压缩视频质量提升

    本论文提出了一种时序群组对齐和融合网络，通过利用帧之间的长短期相关性来提高压缩视频的质量。该网络包括内部组特征对齐模块、外部组特征融合模块和特征增强模块，通过选择与目标增强帧的时间距离来组成图片组，从而使图片组能够包含邻近帧的长期或短期相关信息。该方法在实验结果中显示相较于现有技术方法，提高了 0.05dB 并降低了复杂度。

    Jun, 2024

  • 用于高效神经图像压缩的统一多元高斯混合

    研究提出了一种新的矢量先验方法，采用多元高斯混合进行建模，并利用概率向量量化有效地近似平均值，从而实现更好的码率失真性能和达到实时高质量变分图像压缩的能力。

    Mar, 2022

  • CVEGAN：一种视感启发的用于压缩视频增强的生成对抗网络

    本研究提出了一种新的生成对抗神经网络模型（CVEGAN），其应用在视频压缩质量增强方面，通过采用新颖的 Mul2Res 块、增强残差非局部块（ERNB）和增强的卷积块注意模块（ECBAM），以及重新设计的培训策略和感知损失函数来实现。CVEGAN 在现有多个数据集上表现出显著的编码性能提升。

    Nov, 2020

  • 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

  • 学习视频压缩的预测和参考质量适应

    该研究提出了基于置信度的预测质量适应模块以及参考质量适应模块，以提高视频编码的预测和参考质量适应能力，并减少重构错误的传播。实验结果表明，在 RGB 和 YUV420 颜色空间中，我们的编码器比 H.266/VVC 参考软件和以前最先进的学习视频编码器获得更高的压缩性能。

    Jun, 2024

  • SB-VQA: 基于堆栈的视频质量评估框架用于视频增强

    我们提出了一种基于堆栈的视频质量评估 (VQA) 框架，可以更准确地基于人类主观感知预测增强视频的视频质量，并考虑了视频语义理解等因素，进而在 YouTube 视频等多种应用场景中得到了广泛应用。

    May, 2023

  • 基于深度学习的 UGC 视频无参考质量评估模型

    本文提出了一种简单有效的 UGC 视频质量评估模型，通过训练端到端的空间特征提取网络直接从视频帧像素中学习感知质量的空间特征表示，并提取运动特征来度量空间特征无法建模的时间相关失真。

    Apr, 2022

  • 多尺度动作感知和时空通道上下文编码网络用于学习视频压缩

    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

  • 利用敏感度引导的多项式混沌展开和深度生成网络的有效贝叶斯旅行时间层析成像

    本研究提出了一种策略，将 VAE 的卓越重建性能与 PCA-PCE 代理模型的准确性相结合，用于贝叶斯地下探地雷达（GPR）走时层析成像，从而解决了 MCMC 方法中先验探索和样本建议的问题。

    Jul, 2023