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

本文介绍了一种基于HiNeRV的视频编解码器，该编解码器具有更高的容量和更好的性能，并通过训练、修剪和量化的精细管道来保持其在有损模型压缩中的性能。

Jun, 2023

我们提出了一种利用分层B帧编码的NVC模型，并结合时间层自适应优化的方法，该模型在给定基线模型的基础上获得了印象深刻的BD速率提升，解决了处理复杂或大动态序列带来的挑战。

Aug, 2023

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

首次将内隐神经表示（INR）应用于多视角视频，通过提出基于INR的MV-HiNeRV，它是一种新的增强型多视角视频编解码器，用于高效地表示和编码传统视频内容，并在MPEG Immersive Video（MIV）的测试中表现出卓越的性能。

Feb, 2024

通过特征调制，我们提出了一种强大的条件编码神经视频编解码器（NVC），解决了两个关键问题：如何在单一模型中支持宽范围的质量，并使NVC在长预测链下仍然有效。此外，我们设计了一个支持RGB和YUV颜色空间的单一模型。

Feb, 2024

通过引入神经代表视频的NeRV++，作为NeRV解码器架构的一种增强改进方法，使用可分离卷积残差块（SCRBs）和双线性插值跳跃层等特性，大幅提高了INR-based视频编解码的效果和表示能力，实现了与自动编码器基于视频编码相竞争的结果，迈向了INR-based视频压缩研究的重大进展。

Feb, 2024

在神经视频编码中，为解决复杂性和码率－失真性能之间的互相制衡问题，我们提出了一种新的框架，采用共同优化的神经预处理器和后处理器来封装标准视频编解码器，在不同分辨率下编码视频，并通过将分辨率的改变与神经封装的端到端优化相结合，实现了性能和解码复杂度的平衡。

Jul, 2024

本研究解决了隐式神经表示（INR）视频编码在与最新标准编解码器比较时的性能不足问题。提出的新框架“神经视频表示压缩”（NVRC）通过优化熵编码和量化模型，首次实现全端到端的视频编码，并在UVG数据集上相较于VVC VTM实现了24%的平均编码增益，展示出显著的性能提升潜力。

Sep, 2024

本研究针对当前隐式神经表示（INR）的视频压缩方法未能充分利用信息保存的潜力这一问题，提出了一种通过参数重用增强网络参数存储的创新方案。实验结果表明，该方案显著提升了INR视频压缩的率失真性能，具有重要的应用前景。

Oct, 2024