Compression and Transmission of 8K Stereoscopic VR Using VAE-GAN Latents and Standard Encoders
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
Despite the heightened popularity of Virtual Re-ality (VR), streaming high-resolution stereoscopic VR remains a challenge. This is primarily due to significant bandwidth demands of high-definition VR content. While advanced deep neural networks (DNN s) have demonstrated the potential to outperform standard codecs, their integration into real-world transmission frameworks is complex and not directly compatible with current encoding standards. To bridge this gap, this paper proposes a novel technique for compressing and transmitting 8K stereoscopic scenes using Variational Autoencoder (VAE) GAN latents represented as 3-channel RGB scenes that can be transmitted via standard encoders. The proposed method reduces bandwidth requirements by 45.1 % across different 8K scenes while maintaining visual quality, highlighting the effectiveness of the approach. This study also investigates the impact of varying patch-sizes of input frames for model training and evaluate its influence on client-side reconstructions. We then explore various transmission configurations of latent frames. Our findings suggest that while residual transmission offers limited benefits for 3-channel latent frame compression, raw transmission consistently yields better results, particularly for texture-heavy scenes. To the best of our knowledge, this is the first such transmission study on 8K stereoscopic scenes for cloud-based VR, providing valuable insights for optimizing high-resolution VR streaming systems. Code: github.com/sampreetucalgary07/8K-VR-compression.
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 | 0,000 | 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 découle