{"id":38633,"date":"2025-02-13T12:30:25","date_gmt":"2025-02-13T11:30:25","guid":{"rendered":"https:\/\/www.l3s.de\/?page_id=38633"},"modified":"2026-01-02T10:56:36","modified_gmt":"2026-01-02T09:56:36","slug":"conditional-coding-for-learned-image-and-video-compression","status":"publish","type":"page","link":"https:\/\/www.l3s.de\/de\/research-at-l3s\/all-projects\/project-archive\/conditional-coding-for-learned-image-and-video-compression\/","title":{"rendered":"Bedingte Codierung zur lernbasierten Bild- und Videokompression"},"content":{"rendered":"
\n \n
\n \n \n
\n \n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n
\n \n \n \"\"\n
<\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Start:<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \n \n
\n \n
\n \n \n
\n

01.01.2020<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Ende:<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \n \n
\n \n
\n \n \n
\n

31.12.2025<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Webseite:<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \n \n
\n \n
\n \n
–<\/span><\/a>\n <\/span>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n \n
\n \n
\n \n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n \n \n

Bedingte Codierung zur lernbasierten Bild- und Videokompression<\/h2>\n <\/div>\n <\/div>\n
\n \n \n
<\/div>\n <\/div>\n
\n \n <\/div>\n
\n \n \n
\n

In Kooperation mit dem Department of Computer Science der National Chiao Tung University in Taiwan erforschen wir in diesem Projekt die lernbasierte Videocodierung unter dem Gesichtspunkt der bedingten Codierung mit einem Meta-Learning basierten Verfahren zur Regularisierung und dynamischen Anpassung.<\/p>\n

Durch die Entwicklung neuer tiefer neuronaler Netzarchitekturen wie z.B. variationale Autoencoder (VAE) und Augmented Normalizing Flows (ANF) er\u00f6ffnen sich neue M\u00f6glichkeiten zur lernbasierten Videocodierung. In diesem Projekt entwickeln wir ein neues Verfahren zur bedingten Videocodierung basierend auf ANFs statt der oftmals verwendeten VAEs. ANFs bieten den Vorteil, dass sie expressiver als VAEs sind, VAEs aber dennoch als Sonderfall beinhalten. In einem weiteren Aspekt dieses Projektes behandeln wir die Anpassungs- und Generalisierungsf\u00e4higkeit eines lernbasierten Videocodecs. Eine Schw\u00e4che lernbasierte Videocodecs ist die gro\u00dfe Abweichung der Datenverteilungen zwischen Trainings- und Testdaten. Dadurch kommt es dazu, dass ein Codec zwar auf dem Trainingsdaten gute Ergebnisse erzielt, aber auf unbekannten Daten schlechte. Um die Generalisierungsverm\u00f6gen zu verbessern, entwickeln wir eine Metakostenfunktion, die die Erhaltung gemeinsamer Eigenschaften zwischen den Frames einer Videosequenz erm\u00f6glicht. Weiterhin verwenden wir diese Metakostenfunktion um den Decoder dynamisch w\u00e4hrend der Inferenz an die Datenverteilung der Eingangsdaten anzupassen.<\/p>\n <\/div>\n <\/div>\n

\n \n <\/div>\n
\n \n
\n \n \n F\u00f6rderprogramm<\/span>\n
<\/path><\/svg><\/span><\/div>\n
<\/path><\/svg><\/span><\/div>\n <\/a>\n
\n
\n \n
\n \n \n
\n

MOST-DFG-Call 2022, DFG<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n \n Projektpartner<\/span>\n
<\/path><\/svg><\/span><\/div>\n
<\/path><\/svg><\/span><\/div>\n <\/a>\n
\n
\n \n
\n \n \n
\n