视频质量评估（Video Quality Assessment, VQA） 旨在以高度符合人类感知的方式预测视频质量。然而，传统基于自然图像或视频统计特性的VQA模型在面对用户生成…

虽然多模态模型 (LMM) 在文本和图像任务方面取得了显著进展，但基于视频的模型仍然不够完善。视频本质上很复杂，结合了空间和时间维度，需要更多的计算资源。现有方法通常直接采用基于图…

研究意义 视频目标分割（Video Object Segmentation, VOS）是一项旨在自动分割视频中目标的核心任务，广泛应用于视频编辑、机器人导航、自动驾驶等领域。然而，…

FastAPI 是一个快速、现代的 Web 框架，以支持异步 REST API 和易于使用而闻名。 在本文中，我们将了解如何使用 FastAPI 在前端流式传输视频。 流式响应 1…

研究意义 基于深度伪造技术的篡改视频在社交媒体上广泛传播，部分恶意视频对公众权利和社会稳定造成了极大威胁，深入研究高效的深度伪造检测方法具有重要意义。然而，深度伪造视频在每一帧上表…

Lightricks 是一家以创意工具创新技术进步而闻名的公司，它推出了突破性的视频生成开源模型LTX Video (LTXV)。LTXV 为行业树立了标杆，在发布第一天就在 Co…

视频生成模型的最新进展使得人们能够制作出高质量、逼真的视频片段。然而，由于训练和推理所需的计算量，这些模型在大规模实际应用中面临挑战。目前的商用模型如 Sora、Runway Ge…

你可能听说过“比特率”一词。但它是什么？为什么它在视频直播中很重要？它如何连接到其他视频规范？简单地说，视频比特率是构成数字视频文件的每秒比特数。它决定了视频的质量以及播放它需要多…

视频生成已迅速成为人工智能研究的焦点，尤其是在生成时间一致、高保真视频方面。该领域涉及创建保持帧间视觉连贯性并随时间保留细节的视频序列。机器学习模型，尤其是扩散变换器 (DiT)，…

长视频分割涉及将视频分解成若干部分，以分析运动、遮挡和不同光线条件等复杂过程。它在自动驾驶、监控和视频编辑中有着多种应用。在长视频序列中准确分割对象具有挑战性，但也至关重要。困难在…

视频问答是一个具有挑战性且很重要的多媒体理解任务，其需要对底层的视觉内容和高层的文本语义进行综合理解，进而做出正确的决策。

随着互联网的发展，视频流媒体服务越来越受欢迎。通过提供简短、生动的视频概述您的操作，这是推销产品或服务的好方法。但当您导出最终视频时，却发现视频文件太大，无法上传到网站或直播流媒体…

IBC 是历史悠久，规模最大的国际广播及新媒体技术盛会。本工作是上海交通大学图像所 MediaLab 在 IBC 2024 大会成果介绍。本文提出了一种基于预训练神经渲染场 (Ne…

视频字幕是视频中对话、音效和其他音频元素的文本版本。它们通常与视频一起显示在屏幕上，旨在让更多观众（包括失聪或听力障碍者、非母语人士或喜欢关闭声音观看视频的人，即静音视频）更容易观…

MPEG-4 Audio（简称 M4A）是 Apple 推出的一种音频文件格式，可以存储多种音频内容类型，包括歌曲、有声读物和播客。它将音频数据保存在 MPEG-4 文件中，并使用…

什么是视频格式？ 视频格式是用于在计算机系统上存储数字视频数据的文件格式。常见的视频格式包括 AVI、MP4、MOV 和 WMV。您选择的视频格式会影响视频的质量、压缩率以及与播放…

什么是视频文件格式？ 视频文件格式是一种用于在计算机上存储数字视频数据的结构。格式定义了视频数据的压缩和解压缩方式，使其可以在各种媒体播放器和设备上播放。不同的格式更适合特定类型的…

帧率会在很大程度上影响视频流质量。例如，与较低的帧率（如 30 fps）相比，较高的帧率（如 60 fps）能提供更流畅的运动和更少的模糊。不过，较高的帧率也需要更多的处理能力和存…

论文提出了一种无需预对齐的解析引导时序一致性模型（PGTFormer），用于盲视频人脸修复。PGTFormer 通过语义解析的引导选择最佳的面部先验，以生成时序一致且无伪影的结果。…

神经辐射场 (NeRF) 在照片般逼真的静态场景中表现出色，激发了众多促进体积视频的努力。然而，由于表示体积视频需要大量数据，渲染动态和长序列辐射场仍然具有挑战性。在本文中，我们提…