.png){kind=icon}
返回
Compression artifact-aware incremental learning for neural network-based video coding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133175.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
压缩失真是视频编码的固有特性，并且会显著影响基于神经网络的视频编码（NNVC）工具的训练动态和性能。在本文中，我们提出了一种基于一致量化参数间隙（QPG）的压缩失真感知增量学习（CAIL）方法，称为QPG-CAIL。与采用原始未压缩数据作为标签的传统NNVC工具训练方法不同，QPG-CAIL采用具有更高压缩失真的数据作为输入，并采用具有更低压缩失真的数据作为标签，同时保持两者之间的一致QPG。为此，我们构建了多个具有不同失真水平的训练数据集，包括高、低和无压缩失真，以从小到大QPG逐步训练NNVC工具，并全面分析其对编码效率的影响。为验证QPG-CAIL在NNVC中的有效性，我们引入了一种统一的参考帧合成网络（URFS-Net），该网络集成到VVC的解码图像缓冲区（DPB）和参考图像列表（RPL）之间，用于为VVC帧间预测生成神经参考帧。大量实验表明，采用所提出的QPG-CAIL训练的URFS-Net在参考帧生成方面达到了最先进（state-of-the-art）的性能。对于随机访问（RA）/低延迟B（LB）配置，其相比NNVC-12.0提供平均Bjøntegaard Delta码率（BD-rate）降低{4.64%/3.21%（Y），5.15%/4.80%（U），6.01%/6.17%（V）}，相比VTM-15.0提供{6.44%/6.07%（Y），12.80%/12.01%（U），12.31%/11.49%（V）}的降低。
Keyword:
compression artifacts
incremental learning
neural network-based video coding
quantization parameter gap
reference frame generation
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Content-Aware Dynamic In-Loop Filter With Adjustable Complexity for VVC Intra Coding面向VVC帧内编码的自适应复杂度内容感知动态环路滤波器
PREAI
分享收藏Mitigating Inherent Bias of Answer Heuristic Based Frameworks in Knowledge-Based Visual Question Answering学习参考图像重采样中的尺度用于通用视频编码
PREAI
分享收藏Spatio-Temporal Convolutional Neural Network for Enhanced Inter Prediction in Video Coding用于视频编码增强帧间预测的时空卷积神经网络
OAAI
OAAI分享收藏
查看更多内容