Optimisation du décodage par liste de vidéos corrompues basée sur une architecture CNN

Abstract

Cet article présente une solution de décodage par liste optimisée pour des vidéos corrompues par des erreurs de transmission. Elle est basée sur l’évaluation de la qualité des images sans référence utilisant un réseau de neurones convolutif (CNN) qui gère efficacement les distorsions non uniformes. À l’issue d’un processus de décodage par liste, nous évaluons la qualité de chaque image candidate générée (sans référence) afin de sélectionner la meilleure. Lorsque l’erreur de transmission se produit dans une image intra, notre architecture a une précision de décision de plus de 98% contre 46% pour l’architecture CNN originale pré-entraînée. Pour les erreurs dans une image inter, c’est 79% contre 33%.