Characterizing Generalized Rate-Distortion Performance of Videos
Notice bibliographique
Résumé
Rate-distortion (RD) analysis is at the heart of lossy data compression. Here we extend the idea to generalized RD (GRD) functions of compressed videos that characterize the visual quality of a video and its encoding profile, which includes not only bit rate but also other attributes such as video resolution. We first define the theoretical functional space of the GRD function by analyzing its mathematical properties. We show that the GRD function space is a convex set in a Hilbert space, inspiring a computational model of the GRD function, based on which a general framework is proposed for GRD function reconstruction from known samples. We collect a large-scale database of GRD functions generated from diverse video contents and encoders. Using the database, we demonstrate that real-world GRD functions are clustered in a low-dimensional subspace in the theoretical space of all possible GRD functions. Combining the GRD reconstruction framework and the learned low-dimensional space, we create a low-parameter eigen GRD (eGRD) method to accurately estimate the GRD function of a source video content from only a few queries. Experimental results show that the proposed algorithm significantly outperforms state-of-the-art empirical RD estimation methods in accuracy and efficiency. Finally, we demonstrate the usefulness of the proposed eGRD model in a practical application: video codec comparison.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».