解释CNN以实现视频编码中低复杂度学习子像素运动补偿
图像与视频处理
2021-05-28 v1 计算复杂性
计算机视觉与模式识别
机器学习
多媒体
摘要
深度学习在图像与视频压缩任务中展现出巨大潜力。然而，其以编码复杂度的显著增加为代价带来比特率节省，这限制了其在实际应用中的实现潜力。本文提出一种基于神经网络的新工具，改进了分数精度运动补偿所需参考样本的插值。与以往工作不同，所提方法聚焦于通过解释网络学习到的插值滤波器来实现复杂度降低。当该方法在通用视频编码（VVC）测试模型中实现时，与基线VVC相比，单个序列最高可实现4.5%的BD-rate节省，同时学习插值的复杂度相较完整神经网络的应用显著降低。
引用
@article{arxiv.2006.06392,
title = {Interpreting CNN for Low Complexity Learned Sub-pixel Motion Compensation in Video Coding},
author = {Luka Murn and Saverio Blasi and Alan F. Smeaton and Noel E. O'Connor and Marta Mrak},
journal= {arXiv preprint arXiv:2006.06392},
year = {2021}
}
备注
27th IEEE International Conference on Image Processing, 25-28 Oct 2020, Abu Dhabi, United Arab Emirates