【论文笔记】(VC) 《Frame-wise CNN-based Filtering for Intra-Frame Quality Enhancement of HEVC Videos》

最新推荐文章于 2023-03-08 13:07:20 发布
最新推荐文章于 2023-03-08 13:07:20 发布
阅读量459 收藏 1
点赞数
分类专栏： 论文笔记 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiamenghu/article/details/109530262
版权

《Frame-wise CNN-based Filtering for Intra-Frame Quality Enhancement of HEVC Videos》阅读笔记

question
基于块的训练和滤波不太好，有一些缺点

motivation
提出了一种基于帧的CNN滤波器，就是用整帧来训练网络。
基于全局帧内容，网络可以检测整帧图片的低质量区域，compute the necessary details for enhancing
the quality of the frames compressed with higher QP values（这里没读懂）

流程
在这里插入图片描述
Input Patch Generation
使用更大的块比小块更具有优势

  • 能够获取到全局的特征信息
  • 。。。

因为GPU的限制，对于比较大的帧，切割成4个或者16个输入。。。。
这里会生成 Y , U , V Y,U,V Y,U,V和相应的最优模式划分 M Y , M U , M V M_Y,M_U,M_V MY​,MU​,MV​

HEVC对亮度通道会生成 2 b 1 + 2 ∗ 2 b 1 + 2 2^{b_1+2}*2^{b_1+2} 2b1​+2

最低0.47元/天 解锁文章
梦无羡
关注
专栏目录
【论文笔记】(VC in-loop filter)《MFRNet: A New CNN Architecture for Post-Processing and In-loop Filtering 》
jiamenghu的博客
10-30 772
《MFRNet: A New CNN Architecture for Post-Processing and In-loop Filtering 》论文阅读笔记 提出的问题 莫得！ motivation 提出了一种multilevel feature review residual dense blocks for postprocessing and in-loop filtering. 其实就是单纯的利用了dense residual net结构，同样的多个MFRB（ Multi-level Fea
深度学习之视频图像压缩
VioletHan7的博客
09-11 5011
2018年6月14日，图鸭与论智联合举办了一场线上公开课深度学习之视频图像压缩。讲师为周雷博士，图鸭科技深度学习算法研究员。以下为论智整理的听课笔记。因水平有限，难免有错漏不当之处，仅供参考。 传统图像与视频压缩技术 首先，我们简单回顾下传统图像与视频压缩技术。 JPEG 以下为JPEG编解码流程示意图。 从上图我们可以看到，图像数据编码过程如下： 离散余弦变换。简单来说，离...
【MOT】Frame-wise Motion and Appearance for Real-time Multiple Object Tracking
Rlin_by的博客
02-23 700
Abstract 测试的计算量不会随着随着object的增加而增加。 设计了一个Frame-wise Motion and Appearance (FMA), computes the Frame-wise Motion Fields (FMF) between two frames As auxiliary information is used to fix uncertain matc...
基于学习的编码（二）：使用CNN对intra frame进行环路滤波
热门推荐
Dillon2015的博客
06-22 5万+
使用CNN对intra frame进行环路滤波（二） 本文算法来自JVET-O0157 介绍 为了取代VVC环路滤波中的去方块滤波（DBF）提出来一种下采样的CNN滤波器。该CNN滤波器在降低神经网络复杂度的同时能保持编码效率。它是一个轻量级CNN网络，能够高效的控制CNN滤波强度以应对不同量化参数。只用于intra frame。 滤波过程 下图展示了针对intra frame加入CNN后的环路滤波过程，DBF被CNN替换了。对于inter frame环路滤波和VTM中一样。 网络结构.
HEVC代码分析-xPredIntraPlanar
ljh_shuai的博客
12-09 2775
该函数实现帧内planar预测模式，由重建像素生成当前块的planar模式预测块。 Void TComPrediction::xPredIntraPlanar( const Pel* pSrc, Int srcStride, Pel* rpDst, Int dstStride, UInt width, UInt height ) { // 参数分别为重建像素数组，参考像素stride，预测像素...
Nature子刊：大脑在局部区域的结构-功能耦合的遗传度与个体差异
cc1609130201的博客
10-08 2074
白质结构连接支持了功能激活或功能连接的底层基础。结构和功能连接分布之间的关系，被称为SC-FC耦合，目前已经在全脑、全连接组水平上进行了研究，但很少有研究在区域尺度上研究这种关系。在本文中使用来自人类连接组计划的扩散加权MRI和静息态功能MRI数据量化了健康年轻成人在局部脑区水平的SC-FC耦合，并研究了SC-FC耦合是否可遗传以及SC-FC耦合的个体差异。 研究发现，SC-FC耦合强度在不同的脑区差异很大，但在高度结构连接的视觉和皮层下区域最强。本文的结果还发现了基于年龄、性别和综合认知得分的个体间区域
CVPR 2022 | 基于序列对比学习的长视频逐帧动作表示
Paper weekly
06-09 1229
©作者 | FY.Wei单位| 微软亚洲研究院论文标题：Frame-wise Action Representations for Long Videos via Sequence Contrastive Learning论文链接：https://arxiv.org/abs/2203.14957代码链接：https://github.com/minghchen/CARL...
ELM-based spectral–spatial classification of hyperspectral images using bilateral filtering information on spectral band-subsets
02-11
To further improve the accuracy, we propose a novel spectralspatial information integrating scheme for pixel-wise kernel ELM-based classifier. In particular, we show that a spatial bilateral ...
高光谱图像分类：论文“Classification of Hyperspectral Image by Gabor Filtering Based Deep Network”的代码-matlab开发
05-29
这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的...
时序动作分割中常用的评价指标（Acc,Segmental Edit Score, Segmental F1-Score）
weixin_43217958的博客
12-29 2486
MS-TCN、MS-TCN++和BCN都使用了这三个评价指标，有必要深入一下。 1.frame-wise Accuracy 正确帧数/总帧数 "Acc: %.4f" % (100*float(correct)/total) 2.Segmental edit distance 编辑距离，又称为莱文斯坦距离，NLP中常用来衡量两个字符串之间的差异程度。Segmental edit distance考量了每两帧之间，从A帧替换到B帧所需的最小操作次数。即考量了两帧之间的差异性。Edit distance越大，两
关于文献Multi-Frame Quality Enhancement for Compressed Video的理解
qq_42083770的博客
01-18 1687
本博文仅作小白学习记录使用，论文原文在资料下载处可见，所有疑惑点均作了标注。欢迎各位大佬交流批评指正，侵删。 题目：压缩视频的多帧质量增强 摘要 过去的几年中，深度学习已经很好地应用在提高压缩视频的质量上，现存的方法主要是对单帧进行质量提高，忽略了连续帧之间的相关性。在本文中，我们研究了在压缩视频帧之间存在严重的质量波动，通过使用邻域高质量帧可以改善低质量帧的质量，这种方法叫做多帧质量增强（MFQ...
Learning FRAME Models Using CNN Filters for Knowledge Visualization
松鼠
11-08 324
使用CNN过滤器学习FRAME模型以进行知识可视化 卷积神经网络（ConvNet或CNN）已被证明在许多任务中非常成功 就像计算机视觉领域的人一样 在此概念文件中，我们研究了可分辨CNN的生成视角。尤其是，我们建议使用CNN在卷积层预先学习的高表达滤波器来学习生成FRAME（滤波器，随机场和最大熵）模型。 我们证明了该学习算法可以在自然场景中生成逼真的丰富对象和纹理图案。我们解释说，每个学习的模型在该模型采用的过滤器层之上的一层对应一个新的CNN单元。 我们进一步证明这是可能的使用生成的CNN模型（专家模
PLOS Biology：重度抑郁症多成像中心的泛化脑网络标志物
cc1609130201的博客
05-14 3013
许多研究强调，通过机器学习技术将基础神经科学知识应用到临床存在很大困难。由于不同中心的功能磁共振成像具有很大差异，很难将机器学习得到的脑标记物推广到从独立成像中心获取的数据。本文为突破这一问题带来了重要的解决方案，本研究找到了一种基于静息态功能连接模式将重度抑郁症(major depressive disorder, MDD)患者与健康对照区分开来的通用标记物。数据集包括713名受试者（来自4个成像中心），使用最近开发的调和方法去除了不同成像中心的差异，并开发了机器学习MDD分类器。对于包含521名受试者（
视频重压缩检测学习计划和笔记
最新发布
qq_39969848的博客
03-08 1136
视频重压缩检测学习计划和笔记
#论文学习#第二篇：CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction
qq_34716695的博客
03-24 5304
CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction CNN-SLAM：基于学习深度预测的实时稠密单目slam Abstract： 本文研究了如何利用深度神经网络预测对深度地图进行精确和稠密的单目重建。我们提出了一种方法，将cnn预测的稠密深度地图与直接单目SLAM获得的深度测量自然融合在一起。我们的融合方案在单眼SLAM方法容易失败的图像位置上具有深度预测的优势，例如沿着低纹理区域，反之亦然。我们证明了使用深度预
CVPR2020开源论文（部分带阅读笔记）
知识混子_的博客
05-29 3万+
CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo
Deep Learning-Based Video Coding: A Review and A Case Study
weixin_30325487的博客
06-13 2083
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ 1、Abstract: 　　本文主要介绍的是2015年以来关于深度图像/视频编码的代表性工作，主要可以分为两类：深度编码方案以及基于传统编码方案的深度工具。对于深度编码方案，像素概率建模和自动编码器是两种方法，分别可以看作是预测编码方案和变换编码方案。对于深度工具，有几种使用深度学习来执行帧内预测、帧间预测、跨通道预测、概率分...
BD-rate的计算
HEVC_CJL的专栏
12-25 1万+
相信不少接触视频编码的朋友在看相关的文献的时候，总会看到论文中测试时给出一个重要的参数BD-rate，可能一直心存疑问，这个BD-rate到底是个什么东西呢？可以参考这一份提案http://download.csdn.net/detail/hevc_cjl/4927493 简单地说，这个BD-rate计算的是两种算法对应的两条RD曲线的差值的均值，具体需要通过对测试的几个（一般是4个）点进行曲线
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值