Optimization and Acceleration of HEVC and VVC Video Compression Standards Using Artificial Intelligence on Parallel Processing Platforms.
Optimisation et Accélération des Normes de Compression Vidéo HEVC et VVC utilisant l’Intelligence Artificielle sur des Plateformes de Traitement Parallèle.
Résumé
Video contents visualization has been revolutionized over the last decade with the advent of video-on-demand services, web-TV, video-sharing sites, live streaming service for individuals, and broadcast platforms offered by social networks. This led to
an explosion of internet traffic. According to a recent Cisco study, video-driven internet
traffic will quadruple between 2017 and 2022 and will represent 82% of overall internet
traffic. The appearance of new video content, such as 360° video, Virtual Reality (VR),
High Frame Rate (HFR) and the advent of very high spatial resolution 8K or even 16K
leads to a significant increase in the amount of data to be transmitted. Consequently,
efficient compression is essential to store or transmit this huge amount of data. Despite
the considerable performance achieved by the video coding standards, the existing compression techniques showed their limitations and it is becoming increasingly difficult to
meet the growing demands of data. Therefore, the adoption of new approaches such as
machine learning based methods has great potential to address this challenge and can
provide very promising results. The objective of this thesis is to introduce advanced
techniques to significantly reduce the complexity of the High Efficiency Video Coding
(HEVC) and the Versatile Video Coding (VVC) standards, while preserving the bitrate
gain and ensuring a better video quality for users. These techniques, based on machine learning provide better performance in classification, in prediction and in efficient
compression vs classical algorithms.
L a visualisation de contenus vidéo a été révolutionnée au cours de la dernière dé- cennie avec l’apparition des services de vidéo à la demande, de web-TV, de sites
de partage de vidéos, de service de diffusion en direct pour les particuliers, et des plateformes de diffusion offertes par les reseaux sociaux. Ceci a conduit à une explosion du
trafic internet. Selon une étude récente de Cisco, le trafic internet lié à la vidéo quadruplera entre 2017 et 2022 et représentera 82% du trafic internet global. L’apparition de
nouveaux contenus vidéo, tels que la vidéo 360°, la Réalité Virtuelle (VR), le High Frame
Rate (HFR) et l’avènement de très grandes résolutions spatiale 8K voire 16K conduit à
une augmentation significative de la quantité de données à transmettre. Par conséquent,
une compression efficace est essentielle pour stocker ou transmettre cette énorme quantité de données. Malgré les performances considérables obtenues par les normes de
codage vidéo, les techniques de compression existantes ont montré leurs limites et il
devient de plus en plus difficile de répondre aux demandes croissantes de données. Par
conséquent, l’adoption de nouvelles approches telles que les méthodes d’apprentissage
automatique représente un grand potentiel pour relever ce défi et peut fournir des résultats très prometteurs. L’objectif de cette thèse est d’introduire des techniques avancées
pour réduire significativement la complexité des normes de codage vidéo High Efficiency
Video Coding (HEVC) et Versatile Video Coding (VVC) tout en préservant le gain en
débit et assurant une meilleure qualité de vidéo aux utilisateurs. Ces techniques basées
sur l’apprentissage automatique offrent de meilleures performances en classification, en
prédiction et en efficacité de compression par rapport aux algorithmes classiques
Domaines
Informatique [cs]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|