Achieving H.264/AVC performance using distributed video coding combined with super-resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Distributed Video Coding (DVC) is an emerging video coding paradigm for the systems that require encoders having low complexity that are supported by decoders having high complexity as would be required for, say, real-time video capture and streaming from one mobile phone to display on another. Under the assumption of an error-free transmission channel, the coding efficiency of current DVC systems is still below that of the latest conventional video codecs, such as H.264/AVC. To increase coding efficiency we propose in this paper that either every second Key frame or every Wyner-Ziv frame is downsampled by a factor of two in both dimensions prior to encoding and subsequent transmission. However, this would necessitate upsampling coupled with interpolation at the decoder. Simple interpolation (e.g., bilinear or FIR filter) would not suffice since high-frequency (HF) spatial image content would be missing. Instead, we propose the incorporation of a super-resolution (SR) technique that is based upon using example High Resolution images with content that are specific to the Low Resolution scene that needs its HF content to be recovered. The example-based scene-specific SR technique will add computational complexity to the decoder side of the DVC system, which is allowable within the DVC framework. Rate-distortion curves will show that this novel combination of SR with DVC improves the system performance by up to several decibels as measured by the PSNR, and can actually exceed the performance of an H.264/AVC codec, using GOP=IP, for some video sequences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle