用于实时视频通信的容错神经视频编码感知拥塞控制
网络与互联网体系结构
2025-03-18 v2 多媒体
摘要
由于强化学习（RL）能够自动创建超越手工设计启发式规则的自适应控制逻辑，许多研究尝试将RL应用于实时视频通信（RTC）应用的拥塞控制（CC）设计，并成功展示了其优于基于规则的RTC CC的前景。在线强化学习常被用于训练RL模型，使模型能够直接适应真实网络环境。然而，其试错方式也可能导致RTC应用的质量体验（QoE）在运行时发生灾难性退化。因此，可以采用诸如回退到手工设计启发式规则等保护策略，与RL模型并行运行以保证训练中探索的动作是合理的，尽管这些保护策略会中断学习过程，使其更难发现最优的RL策略。近期出现的容错神经视频编码器（NVC）因其对丢包的鲁棒性，自然为基于RL的拥塞控制的在线学习提供了一层保护，但这种丢包鲁棒性在先前的工作中尚未被充分利用。在本文中，我们提出了一种基于强化学习（RL）的拥塞控制，它能够通过在线RL学习中的奖励机制感知并利用NVC的丢包容错特性。通过在模拟环境中对各种视频和网络轨迹进行广泛评估，我们证明了使用容错NVC的NVC感知CC与其他基于RL的CC相比，将训练时间减少了41%。与其它基线RTC CC相比，它还将平均视频质量提升了0.3至1.6 dB，尾部帧延迟降低了3至200毫秒，视频卡顿减少了20%至77%。
引用
@article{arxiv.2411.06742,
title = {Loss-tolerant neural video codec aware congestion control for real time video communication},
author = {Zhengxu Xia and Hanchen Li and Junchen Jiang},
journal= {arXiv preprint arXiv:2411.06742},
year = {2025}
}