Core Concepts
ビデオを学習可能な静的コードと動的コードに分解するDS-NeRVは、高品質な再構成を実現し、従来のNeRV方法を上回る効果を示します。
Abstract
1. 導入
ビデオトラフィックの増加によるネットワークへの圧力が強調される。
暗黙のニューラル表現(INR)が注目され、ビデオ表現タスクに適用されている。
2. DS-NeRV提案
ビデオを静的要素と動的要素に分解する新しい手法であるDS-NeRVが提案された。
静的コードと動的コードのサンプリングレートやサンプリング方法が設計されており、重み付け合計や補間サンプリングが効率的に行われている。
3. 実験結果
Bunny、UVG、DAVISなどのデータセットでDS-NeRVは高品質な再構成を達成している。
DS-NeRVは他のINR手法よりも優れた性能を示し、ビデオ補完や圧縮でも有益な結果を出している。
4. 結論
DS-NeRVは静的と動的コードの協力によって高品質な再構成を実現し、多くの下流タスクで優れた性能を発揮している。
Stats
ビデオ再構築品質:31.20 PSNR(0.35Mパラメータ)