CN115633189A - 基于svc和边缘计算的在线教学文本视频超分方法 - Google Patents
基于svc和边缘计算的在线教学文本视频超分方法 Download PDFInfo
- Publication number
- CN115633189A CN115633189A CN202211232020.2A CN202211232020A CN115633189A CN 115633189 A CN115633189 A CN 115633189A CN 202211232020 A CN202211232020 A CN 202211232020A CN 115633189 A CN115633189 A CN 115633189A
- Authority
- CN
- China
- Prior art keywords
- video
- svc
- resolution
- super
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 19
- 230000003321 amplification Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/222—Secondary servers, e.g. proxy server, cable television Head-end
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开的一种基于SVC和边缘计算的在线教学文本视频超分方法,将边缘计算、SVC可伸缩视频编码技术与超分辨率技术结合。本发明使用边缘计算架构将视频增强从终端卸载到边缘云服务器中,解决了终端算力不足的问题。将SVC可伸缩视频编码方式和超分辨率技术相结合,在网络波动的情况下提高视频观看质量。同时提出了一种适应在线教学视频特征的文本超分模型。本发明可以在网络波动的情况下有效提升在线教学视频的端用户观看质量,提高教师讲授和学生学习的效果。
Description
技术领域
本发明属于视频增强和网络优化领域,涉及SVC编码、边缘计算和视频增强技术方法。
背景技术
学校及各教育机构广泛开展在线教学。但不稳定的网络波动会影响课堂连贯性,使在线教学质量下降。另一方面,下行最优视频质量受限于上行视频质量。在未提供网内视频增强功能的情况下,即使接收端的网络状况和设备能力允许接收更优的视频质量,下行视频流也只能适应到与上行视频流相同或更低的码率或帧率,不能最大化用户体验。
对于网络波动问题,SVC(Scalable Video Coding,)可伸缩视频编码技术为其提供了一种解决方案。它已经广泛使用于视频传输网络中,能够在带宽受限的情况下达到流畅播放视频的要求,并且能够根据网络的实时变化改变其编码层数,达到更高质量的播放标准。SVC可伸缩视频编码方式已经很好地兼容于VP9、H264等通用视频编解码标准,在Google浏览器、WebRTC 实时通信技术中可以自行指定使用。
对于下行最优视频质量受限于上行视频质量的问题,很多工作提出通过超分辨率的方式进行视频增强,可以在上行视频质量不佳的情况下,恢复出高质量视频。LiveNAS和LiveSRVC通过将超分技术与在线训练相结合的方式,实现了在客户端上行带宽和计算能力有限的情况下为服务器提供高质量直播流。虽然上述工作在自然场景的实时视频超分中取得了较好的成效,但并不适用于以文字为主的视频超分。这是因为文本图像属于特殊的图像,与自然图像相比而言,具有边缘清晰、分段明确、对比度突出等特点,因此使用平滑处理等对自然图像的超分方法会忽略文本的特定特征。现阶段对于自然场景下的小文本单图像的超分工作较为成熟,但这些工作大多以精确识别文字内容为目标,使用在各种自然环境、人为等因素影响下产生的小图像场景文本数据集,其文本的轮廓较模糊,文本形状、字体、背景等变化较大。但是在线教学视频中文本形状、字体、背景变化较小,且每一帧较大,文字数量较多,因此直接对其中某一帧或整个教学视频使用以上方法会导致超分效果下降、超分训练和推断的时间急剧上升,无法满足实时视频超分低时延的要求。
因此提出一种增强在线教育视频质量的传输优化解决方案是本领域技术人员亟待解决的技术问题,以此保证在线教育视频高质量、低延时和稳定传输。
发明内容
本发明的目的是为了克服现有技术存在的不足,解决由于网络环境波动和下行最优视频质量受限于上行视频质量导致的在线教学卡顿问题。本发明可以在网络波动的情况下有效提高包括视频质量、流畅性和低时延在内的用户体验质量(Quality ofExperience,QoE),从而提高教师讲授和学生学习的效果。
本发明的技术方案
基于SVC和边缘计算的在线教学文本视频超分方法,所述方法如下:
S1、提出将边缘云架构、SVC可伸缩视频编码与超分辨率技术相结合的方法,进行视频传输与增强。使用边缘计算架构将视频增强从终端卸载到边缘云服务器中,解决了终端算力不足的问题;将SVC和超分辨率技术相结合,在网络波动的情况下提高了视频观看质量。
S2、构建针对在线教学视频增强的文本超分方法。针对以文本为主的在线教学视频,提出了一种符合其特征的实时超分方法,通过视频增强的方式有效解决了下行最优视频质量受限于上行视频质量的问题。
所述边缘云架构由三层网络组成,分别为核心云、边缘云及端用户(包括教师端用户和学生端用户)。核心云作为同步在线教学总体调度模块对在线课堂统一管理,向用户提供可接入服务,并对边缘服务器进行资源编排及管理。分布式边缘云就近为端用户提供同步在线教学服务,负责视频流的接收和转发、在线超分模型训练、超分视频增强工作。端用户为包括教师和学生在内的同步在线教学参与者。
所述方法的步骤包括:
1)教师端用户向核心云注册并开启教室,学生端用户通过统一口令向核心云申请加入同一教室,并在核心云的部署下就近加入相应的边缘云服务器,之后端用户的视频均经过此边缘云服务器进行传输。
2)课堂开始后,教师端用户的视频流根据上行链路网络状态进行不同层(增强层和基础层)和分辨率大小的SVC编码后传输至边缘服务器。
3)边缘服务器接收到视频流后进行分发,
若没有接收到有增强层的SVC视频流,则只分发基础层视频流到其他边缘云服务器,若接收到有增强层的SVC流,则将视频流进行预处理后,使用增强层和基础层作为训练集对在线教学文本视频超分模型进行训练,并将更新的超分模型参数和SVC编码的基础层发送至其他边缘服务器。
4)其他边缘服务器实时更新模型,对新到达的基本层视频流使用最近的模型进行实时超分推断,并下发给学生端用户。
所述SVC可伸缩视频编码方式与超分辨率技术相结合,通过对网络状态的感知决定SVC编码方法,并根据编码方法决策是否加入超分训练,从而优化视频传输时延,降低主干网传输压力,避免拥塞及视频播放卡顿。网络状态的实时感知是视频传输决策的基础,本发明所述教师端用户通过周期性抓包分析上行链路中的网络带宽波动状态,从而决策SVC编码方式:在网络状态不好时只编码基础层,在网络状态好时,编码基础层和不同分辨率的增强层,以支持超分训练和推断需求。
适应网络状态的SVC的编码方式使视频源的接收边缘服务器可以接收到不同分辨率的视频:270p、360p、540p、720p、1080p,因此本发明放置在边缘服务器上的超分模型可以将视频放大不同倍数(×4、×3、×2、× 1.5),当接收到1080p视频时,将其加入超分训练进程,否则只进行超分推断。
放置在边缘服务器上的超分模型是本发明提出一种针对在线教学的文本视频增强的超分模型,该模型是一种带残差块的卷积神经网络模型,通过卷积层和激活层对图像进行特征提取,五个残差块(由卷积层-BN层-Mish 激活层-卷积层-BN层-GRU层-GRU层组成)叠加提取更深层次的顺序依赖特征。然后通过由卷积层和上采样层组成的放大模块进行不同尺度的超分放大:对于×1.5的模型直接在视频帧输入时放大到1080p,上采样倍数设置为 1;对于×2和×3的模型将上采样倍数分别设置为2和3;对于×4的超分辨率模型叠加两个放大倍数为2的放大模块。最后使用Tanh函数进行激活。同时本发明提出了一种新的预处理和损失函数。
所述在线教学文本视频超分模型的预处理方式为:遍历高分辨率和低分辨率数据集的视频流,将RGB值小于30的色块,在原本RGB值的基础上加30,并对数据集中采样得到的所有帧增加一个二进制掩码通道,所述二进制掩码使用平均灰度计算,组成RGBM四个通道作为超分模型的输入。
所述在线教学文本视频超分模型提出的图像二进制掩码损失Lmask,计算公式如下:
Lmask使用MSE损失计算,如公式(2)所示,其中N为像素点个数, Mhr(x)和分别是原高分辨率帧HR和超分模型输出的高分辨率帧SR 的二进制掩码值,二进制掩码通过计算视频帧的平均灰度得到,如公式(1) 所示为第i个像素点的二进制掩码,其中R、G、B分别为第i个像素点的 RGB值。
所述在线教学文本视频超分方法符合在线教学视频以文字为主的特征和实际需求,能够增强视频用户观看质量。
本发明相较现有技术具有以下有益效果:
本发明提出符合在线教育特点的边缘计算架构,在其中使用了SVC编码技术,并引入视频增强方法。与现有的其他技术相比,可以更好的适应网络环境,有更好的视频增强效果,从而可以有效的避免由于网络波动和下行最优视频质量受限于上行视频质量导致的在线教育视频观看质量不佳的问题。
附图说明
图1是本发明的总体设计架构图;
图2是本发明的工作流程图;
图3是本发明针对教学的文本视频超分方法的模型图;
图4是本发明和TSRN、SRVC模型超分后SSIM值的比较图。
具体实施方式
为了更清楚地说明本发明技术方案,下面将结合附图和实施例进行详细说明。
本发明搭建图1所示网络架构,Intel(R)Core(TM)i7-9700作为云端服务器,Nvidia 3090ti及Nvidia 3080ti作为边缘服务器,多台Intel(R)Core(TM) i7-9700作为端用户模拟真实教育教学场景。
基于本发明网络架构的在线教学流程如图2所示:
教师端用户向核心云注册并开启教室,学生端用户通过统一口令向核心云申请加入同一教室,并在核心云的部署下就近加入相应的边缘云服务器,之后端用户的视频均经过此边缘云服务器进行传输。
课堂开始后,教师端用户的视频流根据网络状态进行SVC编码后传输至边缘服务器,边缘服务器接收到视频流后进行分发,当接收到有合适增强层的SVC流后将其加入超分训练进程,并将超分模型发送至其他边缘服务器,其他边缘服务器实时更新模型,对新到达的视频进行实时超分推断。
在线教学过程中,会发生不同情况的网络波动,当同一链路中的数据传输量较大时,会导致链路中的每个进程的可分配带宽降低,时延和丢包率增大,从而引起卡顿。因此,本发明通过判断上行链路网络状态决定SVC编码格式,其具体方法如表1所示:
表1网络状态与编码格式对应表
表1中,当我们检测到网络状态为良好或较好时,我们将从客户端传输来的视频流加入边缘服务器在线训练进程中;当网络状态为一般和差时,只进行超分推断,不参与在线训练。
本发明提出的超分模型结构如图3所示,首先利用卷积层对图像进行特征提取,然后将5个残差块叠加提取更深层次的顺序依赖特征,最后通过卷积层和上采样层进行超分放大。将×2、×3、×4的超分模型的隐藏层设置为16层,对于×1.5的超分模型(720p超分为1080p)首先将低分辨率帧上采样到1080p,并将隐藏层设置为4层。
以文字为主的在线教学视频中有大量黑色文字,但对黑色部分的超分总是容易出现偏色现象,导致视频观看质量不佳。本发明对所有帧中RGB值小于30的色块进行了预处理,在原本RGB值的基础上加30,能够得到较好的超分效果。
超分辨率模型整体的损失函数如公式(3)所示,其中ω1、ω2、ω3分别为 LGP、LRGB、Lmask的权重。Lmask为图像二进制掩码损失,使用MSE损失计算,如上文中的公式(2)所示,其中N为像素点的个数,和分别是HR(原高分辨率帧)和SR(超分模型输出的高分辨率帧)的二进制掩码值。二进制掩码通过计算视频帧的平均灰度得到,如上文中的公式(1)所示为第i个像素点的二进制掩码,其中R、G、B分别为第i个像素点的RGB值。 LRGB为RGB的均方误差,使用MSE损失计算,如公式(4)所示,其中和分别是HR和SR的RGB值。LGP为梯度剖面损失(Gradient Prior Loss),它可以使边界细化,使用L1损失计算,如公式(5)所示,表示HR图像的梯度场,表示SR图像的梯度场。
Loss=ω1*LGP+ω2*LRGB+ω3*Lmask (3)
为证明本发明的有效性,将本发明的超分方法与TSRN和SRVC方法进行了比较,对实验视频截取10分钟的内容,每秒采样30帧进行训练。TSRN 和本发明的模型在预训练的基础上,对实验视频进行内容自适应的超分。由于SRVC不需要进行预训练,因此直接进行内容自适应的超分。为减少训练次数,当模型超分后的PSNR值小于36或SSIM值小于0.99时使用新的帧训练模型,模型每5s保存一次。从图4可以发现,本发明的超分辨率模型在图像重建性能指标SSIM上优于其他方法。
Claims (5)
1.一种基于SVC和边缘计算的在线教学文本视频超分方法,所述方法如下:
S1、提出将边缘云架构、SVC可伸缩视频编码与超分辨率技术相结合的方法,进行视频传输与增强;
S2、构建针对在线教学视频增强的文本超分方法;
所述方法的步骤包括:
1)教师端用户向核心云注册并开启教室,学生端用户通过统一口令向核心云申请加入同一教室,并在核心云的部署下就近加入相应的边缘云服务器;
2)课堂开始后,教师端用户的视频流根据上行链路网络状态进行SVC编码,并由教师端用户传输至边缘云服务器;
3)教师端边缘云服务器接收到视频流后进行分发;
3.1)如果教师端边缘云服务器没有接收到有增强层的SVC视频流,则直接将SVC编码的基本层视频流分发到其他边缘云服务器;
3.2)如果教师端边缘云服务器接收到有增强层的SVC视频流,则对视频流预处理后,使用增强层和基础层作为训练集对在线教学文本视频超分模型进行训练,将更新后的模型参数和SVC编码的基础层视频流分发到其他边缘云服务器;
4)其他边缘云服务器对新到达的基本层视频流使用最近的模型进行实时超分推断,并下发给学生端用户。
2.根据权利要求1所述的一种基于SVC和边缘计算的在线教学文本视频超分方法,其特征在于,所述教师端用户的视频流根据网络状态进行SVC编码的方法是:
教师端用户通过周期性抓包分析上行链路中的网络带宽波动状态,并根据网络波动进行不同层次和分辨率的SVC编码,在网络状态不好时只编码基础层,在网络状态好时,编码基础层和不同分辨率的增强层;
所述教师端边缘服务器上放置四种不同放大尺度的超分模型,边缘服务器根据教师端用户发来的不同SVC视频流选择不同放大倍数的视频增强模型进行训练和推断。
3.根据权利要求1所述的一种基于SVC和边缘计算的在线教学文本视频超分方法,其特征在于,使用增强层对在线教学文本视频超分模型进行训练的预处理过程包括:
将教师端用户在线课堂视频流中的增强层作为高分辨率数据集,使用ffmpeg工具下采样得到低分辨率数据集,遍历高分辨率和低分辨率数据集的视频流,将RGB值小于30的色块,在原本RGB值的基础上加30,并对数据集中采样得到的所有帧增加一个二进制掩码通道,所述二进制掩码使用平均灰度计算,组成RGBM四个通道作为超分模型的输入。
4.根据权利要求2所述的一种基于SVC和边缘计算的在线教学文本视频超分方法,其特征在于,所述在线教学文本视频超分模型结构如下:
首先利用一个卷积层和一个激活层对图像进行特征提取,然后将5个残差块叠加提取更深层次的顺序依赖特征,残差块由卷积层-BN层-Mish激活层-卷积层-BN层-GRU层-GRU层组成,然后通过由卷积层和上采样层组成的放大模块进行不同尺度的超分放大:对于×1.5的模型直接在视频帧输入时放大到1080p,上采样倍数设置为1;对于×2和×3的模型将上采样倍数分别设置为2和3;对于×4的超分辨率模型叠加两个放大倍数为2的放大模块,最后使用Tanh函数进行激活。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232020.2A CN115633189A (zh) | 2022-10-10 | 2022-10-10 | 基于svc和边缘计算的在线教学文本视频超分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232020.2A CN115633189A (zh) | 2022-10-10 | 2022-10-10 | 基于svc和边缘计算的在线教学文本视频超分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115633189A true CN115633189A (zh) | 2023-01-20 |
Family
ID=84904205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211232020.2A Pending CN115633189A (zh) | 2022-10-10 | 2022-10-10 | 基于svc和边缘计算的在线教学文本视频超分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115633189A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528147A (zh) * | 2024-01-03 | 2024-02-06 | 国家广播电视总局广播电视科学研究院 | 基于云边协同架构的视频增强传输方法、***及存储介质 |
-
2022
- 2022-10-10 CN CN202211232020.2A patent/CN115633189A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528147A (zh) * | 2024-01-03 | 2024-02-06 | 国家广播电视总局广播电视科学研究院 | 基于云边协同架构的视频增强传输方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110072119B (zh) | 一种基于深度学习网络的内容感知视频自适应传输方法 | |
CN109218727A (zh) | 视频处理的方法和装置 | |
CN104144313B (zh) | 视频通信方法、***与云端图像服务器 | |
Hu et al. | Dejavu: Enhancing videoconferencing with prior knowledge | |
CN113115067A (zh) | 直播***、视频处理方法及相关装置 | |
US20230104270A1 (en) | Dynamic Parameter Selection for Quality-Normalized Video Transcoding | |
CN110827380A (zh) | 图像的渲染方法、装置、电子设备及计算机可读介质 | |
CN115633189A (zh) | 基于svc和边缘计算的在线教学文本视频超分方法 | |
WO2023005699A1 (zh) | 视频增强网络训练方法、视频增强方法及装置 | |
CN113573140A (zh) | 一种支持人脸检测与实时超分辨率的码率自适应决策方法 | |
CN110312134A (zh) | 一种基于图像处理和机器学习的屏幕视频编码方法 | |
CN112203098A (zh) | 基于边缘特征融合和超分辨率的移动端图像压缩方法 | |
US8255461B1 (en) | Efficient transmission of changing images using image caching | |
CN112489056A (zh) | 一种适用于移动端的实时人体抠图方法 | |
WO2023050720A1 (zh) | 图像处理方法、图像处理装置、模型训练方法 | |
Luo et al. | LiveSR: Enabling universal HD live video streaming with crowdsourced online learning | |
CN114494569A (zh) | 基于轻量级神经网络和残差流式传输的云渲染方法和装置 | |
Zhong et al. | Mobile Edge Generation: A New Era to 6G | |
CN116471262A (zh) | 视频质量评估方法、装置、设备、存储介质及程序产品 | |
CN116416216A (zh) | 基于自监督特征提取的质量评价方法、存储介质及终端 | |
CN115942009A (zh) | 基于混合式编码的远程视频业务办理方法和装置 | |
CN115767146A (zh) | 数据流控制方法、***、装置、电子设备及存储介质 | |
CN115567712A (zh) | 基于人眼恰可察觉失真的屏幕内容视频编码感知码率控制方法及装置 | |
Yang et al. | Graph-convolution network for image compression | |
CN115396683B (zh) | 视频优化处理方法、装置、电子设备及计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |