Lustrzany kodek video bazujący na głębokiej sieci neuronowej

• Autorzy: Kaczyński Maciej , Piotrowski Zbigniew

Identyfikatory

DOI

10.15199/59.2024.4.88

Warianty tytułu

EN

Mirrored video codec based on deep neural network

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Zagadnienie stabilnego przekazywania informacji, a zwłaszcza stabilnej transmisji informacji w formie video w warunkach braku stabilnej prędkości przesyłania danych dla specyficznych zastosowań jest kwestią istotną. Celem niniejszego artykułu jest przedstawienie efektywnej metody modyfikacji kodeka video zapewniającej zwiększenie jakości video dla wysokich wartości kompresji wprowadzanej przez kodek video poprzez jego modyfikacje z wykorzystaniem jego lustrzanego odbicia bazując na głębokiej sieci neuronowej.

EN

The issue of stable information transmission, and especially stable information transmission in the form of video in the absence of a stable data transmission speed for specific applications, is an important issue. The aim of this article is to present an effective method of modifying the video codec ensuring an increase in video quality for high values of compression introduced by the video codec by modifying it using its mirror image based on a deep neural network.

Słowa kluczowe

PL

obraz; video; sieć neuronowa; kompresja

EN

image; video; neural network; compression

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 397--400
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wykr.

Twórcy

autor

Kaczyński Maciej

• Wojskowa Akademia Techniczna, Warszawa

autor

Piotrowski Zbigniew

• Wojskowa Akademia Techniczna, Warszawa

Bibliografia

• [1] Antoniou Zinonas, Panayides Andreas, Pantzaris Marios, Constantinides Anthony, Pattichis Constantinos, Pattichis Marios. 2018. „Real-Time Adaptation to Time-Varying Constraints for Medical Video Communications”. IEEE Journal of Biomedical and Health Informatics 22, 4, 1177–1188. DOI:https://doi.org/10.1109/JBHI.2017.2726180.
• [2] Balagalla Umaya Bhashini, Sivanatham Savansi, Munasinghe Kusala, Subasinghe Akila, Chamitha de Alwis, Wijewardhana Uditha, and Dharmaweera M. Nishan. 2019. „Efficient Medical Video Streaming by Pre-Processing and Network Traffic Prioritization in Real-Time”. In 2019 International Conference on Advanced Technologies for Communications (ATC), 123–128. DOI:https://doi.org/10.1109/ATC.2019.8924511.
• [3] Bouaafia Soulef, Khemiri Randa, Messaoud Seifeddine, Ben Ahmed Olfa, Sayadi Fatma Ezahra. 2022. „Deep learning-based video quality enhancement for the new versatile video coding”. Neural computing & applications 2022;34(17):14135-14149. DOI:https://doi.org/10.1007/s00521-021-06491-9.
• [4] Chen Shengjie and Ye Mao. 2021. „Two-stage Multiframe Cooperative Quality Enhancement on Compressed Video”. In 2021 11th International Conference on Intelligent Control and Information Processing (ICICIP), 94–99. DOI:https://doi.org/10.1109/ICICIP53388.2021.964 2200.
• [5] Karras Tero, Laine Samuli, Aila Timo. 2019. „A Style-Based Generator Architecture for Generative Adversarial Networks”. DOI:https://doi.org/10.48550/arXiv.1812.04948.
• [6] Kong Lingshun, Dong Jiangxin, Li Mingqiang, Ge Jianjun, Pan Jinshan. 2022. „Efficient Frequency Domain-based Transformers for High-Quality Image Deblurring”. DOI:https://doi.org/10.48550/arXiv.2211.12250.
• [7] „LG: Spain and Patagonia”. 2019. Available online: https://4kmedia.org/lg-spain-and-patagonia-uhd-4k-demo/ (accessed on 29 April 2024).
• [8] Liu Ying, Wong Alexander, Fieguth Paul. 2011. „A structure-guided conditional sampling model for video resolution enhancement”. In 2011 18th IEEE International Conference on Image Processing, 1169–1172. DOI:https://doi.org/10.1109/ICIP.2011.6115637.
• [9] Lu Mingxuan, Peng Zhang. 2024. „Real-World Video Super-Resolution with a Degradation-Adaptive Model” Sensors 24, no. 7: 2211. DOI:https://doi.org/10.3390/s24072211.
• [10] Mathew Liz Maria, Suma R, Kizhakkethottam Jubilant J. 2015. „A survey on different video restoration techniques”. In 2015 International Conference on Soft-Computing and Networks Security (ICSNS). DOI:https://doi.org/10.1109/ICSNS.2015.7292442.
• [11] O’Byrne Michael, Vibhoothi Michael, Sugrue Mark, Kokaram Anil. 2022. „Impact of Video Compression on the Performance of Object Detection Systems for Surveillance Applications”. DOI:https://doi.org/10.48550/arXiv.2211.05805.
• [12] Tian Kuan, Guan Yonghang, Xiang Jinxi, Zhang Jun, Han Xiao, Yang Wei. 2023. „Towards Real-Time Neural Video Codec for Cross-Platform Application Using Calibration Information”. In Proceedings of the 31st ACM International Conference on Multimedia (MM ’23), Association for Computing Machinery, Ottawa ON, Canada, , 7961–7970. DOI:https://doi.org/10.1145/3581783.3611955.
• [13] Yu Bing, Ding Youdong, Huang Xi, Wu Bing. 2016. „Corrupted old film sequences restoration using improved PatchMatch and low-rank matrix recovery”. In 2016 International Conference on Audio, Language and Image Processing (ICALIP), 295–300. DOI:https://doi.org/10.1109/ICALIP.2016.7846589.
• [14] Zhou Bolei, Lapedriza Agata, Xiao Jianxiong, Torralba Antonio, Oliva Aude. 2014. „Learning Deep Features for Scene Recognition using Places Database”. In Advances in Neural Information Processing Systems. Curran Associates. ISBN: 9781510800410.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).