区块分区基于信息的CNN对EVC基线配置文件进行后过
Kiho Choi1,2
1Department of Electronics Engineering, Kyung Hee University, Yongin-si 17104, Gyeonggi-do, Republic of Korea.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究引入了一个新的卷积神经网络 (CNN) 后镜,以减少物联网设备的基本视频编码 (EVC) 中的阻断文物. 过器显著提高了视频质量,并降低了比特率.
科学领域:
- 计算机视觉 计算机视觉
- 视频压缩 视频压缩
- 机器学习 机器学习
背景情况:
- 视频应用程序和物联网 (IoT) 设备的扩散需要高效的视频编码.
- MPEG-5基本视频编码 (EVC) 标准,特别是其基线配置文件,为物联网提供适合物联网的低复杂性,但受到阻断等编码文物的影响.
- 在区块边界处阻止文物是影响EVC基线视觉质量的关键问题.
研究的目的:
- 提出一种新的后过器,以减轻EVC基线配置文件中的阻断文物.
- 为了利用区块分区信息和卷积神经网络 (CNN) 来减少文物.
- 为了提高EVC对物联网视频数据的视觉质量和编码效率.
主要方法:
- 开发一个使用CNN的后过器.
- 美国有线电视新闻网使用来自EVC编码视频的区块分区信息进行训练.
- 实验评估,将拟议的过器与预先过的视频进行比较.
主要成果:
- 目标是在0.57dB (全内部) 和0.37dB (低延迟) 左右的峰值信号噪声比 (PSNR) 中得到改善.
- 显著的比特率降低:11.62% (AI) 和10.91% (LD) 对于Luma和Chroma组件.
- 主观视觉质量提升,特别是减少阻塞工件.
结论:
- 拟议的基于CNN的后过器有效地解决了EVC中的阻断文物.
- 该方法在客观指标 (PSNR) 和主观视觉质量方面都提供了实质性的改进.
- 这种方法为增强资源有限的物联网环境的视频编码效率提供了可行的解决方案.
