Czasopismo | PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE | Rocznik 2024 - zeszyt 4

LUSTRZANY KODEK VIDEO BAZUJĄCY NA GŁĘBOKIEJ SIECI NEURONOWEJ

MIRRORED VIDEO CODEC BASED ON DEEP NEURAL NETWORK

10.15199/59.2024.4.88

nr katalogowy: 150627
10.15199/59.2024.4.88

Streszczenie

Zagadnienie stabilnego przekazywania infor- macji, 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 zwiększe- nie jakości video dla wysokich wartości kompresji wprowa- dzanej przez kodek video poprzez jego modyfikacje z wyko- rzystaniem jego lustrzanego odbicia bazując na głębokiej sieci neuronowej.

Abstract

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

Keywords

Bibliografia

[1] Antoniou Zinonas, Panayides Andreas, Pantzaris Marios, Constantinides Anthony, Pattichis Constan- tinos, 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 Seifed- dine, 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 Multi- frame Cooperative Quality Enhancement on Com- pressed Video”. In 2021 11th International Confer- ence on Intelligent Control and Information Pro- cessing (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 Do- main-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-Adap- tive Model” Sensors 24, no. 7: 2211. DOI:https://doi.org/10.3390/s24072211.
[10] Mathew Liz Maria, Suma R, Kizhakkethottam Jubi- lant 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 Multime- dia (MM ’23), Association for Computing Machin- ery, 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 im- proved PatchMatch and low-rank matrix recovery”. In 2016 International Conference on Audio, Lan- guage 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 Data- base”. In Advances in Neural Information Processing Systems. Curran Associates. ISBN: 9781510800410.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE- e-publikacja (pdf) z zeszytu 2024-4 , nr katalogowy 150627 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Prenumerata

PRZEGLĄD TELEKOMUNIKACYJNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna	348.00 zł brutto 322.22 zł netto 25.78 zł VAT (stawka VAT 8%)
PRZEGLĄD TELEKOMUNIKACYJNY - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

369.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	450.00 zł brutto 416.67 zł netto 33.33 zł VAT (stawka VAT 8%)

450.00 zł

Zeszyt

2024-4

Twój Koszyk

Publikacja

Prenumerata

Zeszyt

Czasopisma