Apr, 2024

视频转码的参数率失真模型

PDF
TL;DR通过我们提出的参数化失真率（R-D）转码模型，我们可以在不需要对视频进行编码的情况下准确预测不同速率的转码失真，并通过转尺寸实现视觉质量的改进。此外，我们还利用该模型确定了摄入视频的近似无损和接近零斜率的比特率范围，从而在引入几乎不可见的质量损失的同时调整转码目标比特率。实验结果证明了我们的模型在视频转码率失真预测方面的有效性。
发现论文，激发创造
  • 一种用于有损图像压缩的速率失真分类方法

    在有损图像压缩中，我们提出了一种 Rate-Distortion-Classification (RDC) 模型，用于优化速率、失真和分类准确性之间的权衡，从而将图像压缩与视觉分析相结合，为实际应用中的端到端图像压缩技术铺平了道路。

    May, 2024

  • 用 Wasserstein 梯度下降估计率失真函数

    基于 Wasserstein 梯度下降算法的新型 R-D 估计器，能够比现有神经网络方法更有效地在低速率源上获得可比或更严格的界限，同时需要较少的调整和计算工作。

    Oct, 2023

  • 推动神经图像压缩的速率失真计算前沿

    通过我们的速率 - 失真计算（RDC）研究，我们展示了虽然浮点运算（FLOPs）和运行时间对于准确地比较神经压缩方法都是不足够的，但我们还是找到了一种新型神经压缩架构，其在计算要求和 RD 性能之间具有最佳的实证权衡。

    Sep, 2023

  • 重新思考无损压缩：速率 - 失真 - 感知之间的权衡

    通过采用 Blau & Michaeli 2018 年提出的感知质量的数学定义，研究了速率、失真和感知之间的三重权衡，我们证明了该三重权衡的几个基本属性，并在一个玩具 MNIST 例子上进行了可视化说明。

    Jan, 2019

  • 基于深度生成模型的图像下采样评估的速率失真

    通过率失真（IDA-RD）来评估图像下采样算法的图像下采样评估（IDA-RD）是一种新的量化评估图像下采样算法的方法。

    Mar, 2024

  • 模型压缩的失真率研究：从理论到实践

    本文研究深度神经网络模型压缩技术，提出了基于速率失真理论的压缩架构以及优化剪枝和量化技术，理论上证明了该架构对于一层 ReLU 神经网络最优，实验证明该方法在压缩 - 精度平衡上显著优于基线方法。

    Oct, 2018

  • 端到端速率失真优化的学习式分层双向视频压缩

    本研究提出了一种基于学习的分层双向视频编解码器，结合分层运动预测和端到端优化，实现了目前为止在 PSNR 和 MS-SSIM 上报告的学习视频压缩方案的最佳 R-D 结果，相对于传统视频编解码器，在 PSNR 和 MS-SSIM 以及 HM16.23 参考软件的 MS-SSIM 上性能均优于 x265 和 SVT-HEVC 编码器的 R-D 性能。

    Dec, 2021

  • 通过转码时间预测和预选，实现高质量的实时视频流传输

    我们提出了一种基于学习的框架，用于预测视频跨不同预设的转码时间，并通过选择最合适的转码预设来改善实时视频流的质量。

    Dec, 2023

  • 一种速率 - 失真 - 感知函数的编码定理

    该论文研究了采用随机变长编码实现率 - 失真 - 感知函数，进一步探究该理论在失真压缩方面的应用。

    Apr, 2021

  • 基于视觉分析的图像编码速率失真模型

    该论文提出了一种面向视觉分析的率失真模型，基于机器学习算法的方法确定了每个编码单元的重要程度，并提出了一种新的失真度量模型以提高图像压缩的品质，从而在多个典型视觉分析任务中实现了高达 28.17% 的比特率节约。

    Apr, 2021