Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.07682

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.07682 (cs)
[提交于 2025年8月11日 ]

标题: DiffVC-OSD:一步扩散式感知神经视频压缩框架

标题: DiffVC-OSD: One-Step Diffusion-based Perceptual Neural Video Compression Framework

Authors:Wenzhuo Ma, Zhenzhong Chen
摘要: 在本工作中,我们首先提出DiffVC-OSD,一种单步扩散的感知神经视频压缩框架。 与传统的多步扩散方法不同,DiffVC-OSD将重建的潜在表示直接输入到单步扩散模型中,通过时间上下文和潜在表示本身的引导,提高感知质量。 为了更好地利用时间依赖性,我们设计了一个时间上下文适配器,将条件输入编码为多级特征,为去噪U-Net提供更细粒度的指导。 此外,我们采用端到端微调策略以提高整体压缩性能。 大量实验表明,DiffVC-OSD实现了最先进的感知压缩性能,相比对应的多步扩散变体,解码速度提高了约20$\times$,比特率降低了86.92%。
摘要: In this work, we first propose DiffVC-OSD, a One-Step Diffusion-based Perceptual Neural Video Compression framework. Unlike conventional multi-step diffusion-based methods, DiffVC-OSD feeds the reconstructed latent representation directly into a One-Step Diffusion Model, enhancing perceptual quality through a single diffusion step guided by both temporal context and the latent itself. To better leverage temporal dependencies, we design a Temporal Context Adapter that encodes conditional inputs into multi-level features, offering more fine-grained guidance for the Denoising Unet. Additionally, we employ an End-to-End Finetuning strategy to improve overall compression performance. Extensive experiments demonstrate that DiffVC-OSD achieves state-of-the-art perceptual compression performance, offers about 20$\times$ faster decoding and a 86.92\% bitrate reduction compared to the corresponding multi-step diffusion-based variant.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2508.07682 [cs.CV]
  (或者 arXiv:2508.07682v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.07682
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Wenzhuo Ma [查看电子邮件]
[v1] 星期一, 2025 年 8 月 11 日 06:59:23 UTC (535 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号