基于动态神经网络的帧级自适应神经视频压缩学习率控制
计算机视觉与模式识别
2025-08-29 v1
摘要
神经视频压缩 (NVC) 近年来取得了显著成就。然而，由于基于学习的编解码器固有的局限性，精确的速率控制仍是一个挑战。为解决此问题，我们提出了一个用于可变比特率场景的动态视频压缩框架。首先，为实现可变比特率，我们提出了具备可变编码路由的 Dynamic-Route Autoencoder，每条路由占据整个网络的部分计算复杂度并导航至不同的 RD trade-off。其次，为逼近目标比特率，Rate Control Agent 估计每条路由的比特率并在运行时调整 DRA 的编码路由。为 encompass 广泛的可变比特率范围同时保持整体 RD 性能，我们采用 Joint-Routes Optimization 策略，实现各种路由的协同训练。在 HEVC 和 UVG 数据集上的大量实验表明，所提方法在保持平均比特率误差为 1.66% 的同时，相对于最新方法实现平均 BD-Rate 降低 14.8% 和 BD-PSNR 提升 0.47dB，实现了 Rate-Distortion-Complexity Optimization (RDCO) 以适应 various 比特率和比特率受限的应用。我们的代码可在 https://git.openi.org.cn/OpenAICoding/DynamicDVC 上获取。
引用
@article{arxiv.2508.20709,
title = {Learned Rate Control for Frame-Level Adaptive Neural Video Compression via Dynamic Neural Network},
author = {Chenhao Zhang and Wei Gao},
journal= {arXiv preprint arXiv:2508.20709},
year = {2025}
}