CN116886960A - 一种视频传输方法及装置 - Google Patents

一种视频传输方法及装置 Download PDF

Info

Publication number
CN116886960A
CN116886960A CN202311118584.8A CN202311118584A CN116886960A CN 116886960 A CN116886960 A CN 116886960A CN 202311118584 A CN202311118584 A CN 202311118584A CN 116886960 A CN116886960 A CN 116886960A
Authority
CN
China
Prior art keywords
video
resolution
low
overfitting
video transmission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311118584.8A
Other languages
English (en)
Inventor
李佳慧
王剑波
廖廷义
陈绪军
陆芳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Santachi Video Technology Shenzhen Co ltd
Original Assignee
Santachi Video Technology Shenzhen Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Santachi Video Technology Shenzhen Co ltd filed Critical Santachi Video Technology Shenzhen Co ltd
Priority to CN202311118584.8A priority Critical patent/CN116886960A/zh
Publication of CN116886960A publication Critical patent/CN116886960A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234363—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by altering the spatial resolution, e.g. for clients with a lower screen resolution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440263—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by altering the spatial resolution, e.g. for displaying on a connected PDA

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供的一种视频传输方法及装置，通过对同一个视频只做一次训练，得到与对应的过拟合视频传输模型，从而极大减少了模型训练的时间以及模型的大小；同时，利用过拟合视频传输模型的过拟合特性，使得过拟合视频传输模型的训练结果更贴合由第一视频以及低分辨率视频构成的训练集，从而当通过过拟合视频传输模型对低分辨率视频进行还原时，能够恢复出高清晰度的原视频，实现用低清晰度的传输流量获取高清晰度的内容，在不损伤原视频的同时，极大的减小了网络视频传输的数据量，提高视频传输效率。

Description

一种视频传输方法及装置
技术领域
本发明涉及视频数据处理技术领域，特别是涉及一种视频传输方法及装置。
背景技术
随着短视频等视频平台的兴起，视频体量越来越大。因此，如何对视频进行传输成为了一个不可忽略的问题。传统的视频传输性能在极大程度上都取决于传输端和接收端之间的带宽，当网络拥塞时，视频传输性能会收到很大的影响。
针对上述问题，现有技术中给出一些解决方案。如现有技术一：公布号为CN115689894A的专利文件中公开了一种视频处理方法，通过视频超分模型将分辨率较大的视频码流处理生成分辨率低的视频图像，能够自动对视频进行有效超分，降低视频传输过程中所需耗费的资源数量。然而，通过超分模型对视频进行处理，会对视频造成一定的损伤。
又如现有技术二：公布号为CN113747099A的专利文件中公开了一种视频传输方法，通过机器学习的方式将低分辨率视频的目标帧与高分辨率视频中的关联帧进行替换，将低分辨率视频的视频帧与关联帧组合成新的视频进行传输，并在接收端通过纹理迁移的超分辨率处理获取超分辨率视频，达到减少传输数据量的目的。但该方法需要对视频进行逐帧处理，复杂度高，并且生成的超分辨率视频无法达到原始分辨率，且视频也会受损。可见，现有技术中的视频传输方法仍存在视频受损以及传输效率较低的问题。
发明内容
本发明所要解决的技术问题是：一种视频传输方法及装置，减少视频传输过程中的传输数据量，同时提高视频传输效率。
为了解决上述技术问题，本发明采用的技术方案为：
一种视频传输方法，包括：
获取待传输的第一视频；
将所述第一视频转化为低分辨率视频；
以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；
将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输。
为了解决上述技术问题，本发明采用的另一技术方案为：
一种视频传输装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待传输的第一视频；
将所述第一视频转化为低分辨率视频；
以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；
将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输。
本发明的有益效果在于：通过对同一个视频只做一次训练，得到与该视频对应的过拟合视频传输模型，即与现有技术二相比，本技术方案中只需要基于一次训练后，利用过拟合视频传输模型的过拟合特性可以得到和原始视频几乎完全一致的输出，从而极大减少了模型训练的时间以及模型的大小；同时，利用过拟合视频传输模型的过拟合特性，使得过拟合视频传输模型的训练结果更贴合由第一视频以及低分辨率视频构成的训练集，从而当通过过拟合视频传输模型对低分辨率视频进行还原时，能够恢复出高清晰度的原视频，实现用低清晰度的传输流量获取高清晰度的内容，在不损伤原视频的同时，极大减小了网络视频传输的数据量，提高视频传输效率。即与现有技术一相比，本技术方案中利用机器学习中的过拟合特性，将高分辨率视频压缩成为低分辨率视频后，以过拟合视频传输模型作为视频恢复的密钥，用于将压缩后的视频恢复成原分辨率视频，从而在减小传输数据量的同时不损伤原视频。
附图说明
图1为本发明实施例中的一种视频传输方法的步骤流程图；
图2为本发明实施例中的一种视频传输方法的另一步骤流程图；
图3为本发明实施例中的一种视频传输装置的结构示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，一种视频传输方法，包括：
获取待传输的第一视频；
将所述第一视频转化为低分辨率视频；
以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；
将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输。
由上述描述可知，本发明的有益效果在于：通过对同一个视频只做一次训练，得到与该视频对应的过拟合视频传输模型，从而极大的减少了模型训练的时间以及模型的大小；同时，利用过拟合视频传输模型的过拟合特性，使得过拟合视频传输模型的训练结果更贴合由第一视频以及低分辨率视频构成的训练集，从而当通过过拟合视频传输模型对低分辨率视频进行还原时，能够恢复出高清晰度的原视频，实现用低清晰度的传输流量获取高清晰度的内容，在不损伤原视频的同时，极大的减小了网络视频传输的数据量，提高视频传输效率。
进一步地，所述将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输包括：
对所述过拟合视频传输模型以及低分辨率视频进行压缩，得到压缩包；
将所述压缩包分发至视频数据接收端。
由上述描述可知，通过将过拟合视频传输模型以及低分辨率视频进行压缩后再分发至视频数据接收端，进一步降低了视频数据传输的数据量，从而极大减少视频传输时使用的网络带宽，提高视频传输效率。
进一步地，所述机器学习模型包括深度神经网络；
所述以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型包括：
以所述第一视频作为所述深度神经网络的输入，所述低分辨率视频作为所述深度神经网络的输出，对所述深度神经网络进行一次训练，得到与所述第一视频对应的所述过拟合视频传输模型。
由上述描述可知，由第一视频以及低分辨率视频形成一组训练集对深度神经网络进行一次训练，利用深度神经网络的过拟合特性，使得深度神经网络的训练结果能够过分的贴合该训练集，从而确保通过训练后的过拟合视频传输模型将低分辨率视频恢复为高清的原视频。
进一步地，还包括：
将所述过拟合视频传输模型以及低分辨率视频进行视频数据传输，以使得接收端将所述低分辨率视频输入所述过拟合视频传输模型后，所述过拟合视频传输模型输出得到所述第一视频。
由上述描述可知，通过将低分辨率视频输入过拟合视频传输模型，过拟合视频传输模型就能够输出对应的高清原视频，从而实现高清视频传输的效果。
进一步地，所述将所述第一视频转化为低分辨率视频包括：
获取待转化的预设分辨率；
通过预设视频压缩软件将所述第一视频转化为分辨率为所述预设分辨率的所述低分辨率视频。
由上述描述可知，获取待转化的预设分辨率后，通过如ffmpeg等视频压缩软件对原视频进行分辨率的转化，能够满足不同用户以不同分辨率进行视频数据传输的需求。
本发明另一实施例提供了一种视频传输装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待传输的第一视频；
将所述第一视频转化为低分辨率视频；
以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；
将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输。
由上述描述可知，通过对同一个视频只做一次训练，得到与对应的过拟合视频传输模型，从而极大的减少了模型训练的时间以及模型的大小；同时，利用过拟合视频传输模型的过拟合特性，使得过拟合视频传输模型的训练结果更贴合由第一视频以及低分辨率视频构成的训练集，从而当通过过拟合视频传输模型对低分辨率视频进行还原时，能够恢复出高清晰度的原视频，实现用低清晰度的传输流量获取高清晰度的内容，在不损伤原视频的同时，极大的减小了网络视频传输的数据量，提高视频传输效率。
进一步地，所述将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输包括：
对所述过拟合视频传输模型以及低分辨率视频进行压缩，得到压缩包；
将所述压缩包分发至视频数据接收端。
由上述描述可知，通过将过拟合视频传输模型以及低分辨率视频进行压缩后再分发至视频数据接收端，进一步降低了视频数据传输的数据量，从而极大的减少视频传输时使用的网络带宽，提高视频传输效率。
进一步地，所述机器学习模型包括深度神经网络；
所述以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型包括：
以所述第一视频作为所述深度神经网络的输入，所述低分辨率视频作为所述深度神经网络的输出，对所述深度神经网络进行一次训练，得到与所述第一视频对应的所述过拟合视频传输模型。
由上述描述可知，由第一视频以及低分辨率视频形成一组训练集对深度神经网络进行一次训练，利用深度神经网络的过拟合特性，使得深度神经网络的训练结果能够过分的贴合该训练集，从而确保通过训练后的过拟合视频传输模型将低分辨率视频恢复为高清的原视频。
进一步地，还包括：
将所述过拟合视频传输模型以及低分辨率视频进行视频数据传输；
以使得接收端将所述低分辨率视频输入所述过拟合视频传输模型后，所述过拟合视频传输模型输出得到所述第一视频。
由上述描述可知，通过将低分辨率视频输入过拟合视频传输模型，过拟合视频传输模型就能够输出对应的高清原视频，从而实现高清视频传输的效果。
进一步地，所述将所述第一视频转化为低分辨率视频包括：
获取待转化的预设分辨率；
通过预设视频压缩软件将所述第一视频转化为分辨率为所述预设分辨率的所述低分辨率视频。
由上述描述可知，获取待转化的预设分辨率后，通过如ffmpeg等视频压缩软件对原视频进行分辨率的转化，能够满足不同用户以不同分辨率进行视频数据传输的需求。
本发明上述视频传输方法及装置能够适用于各种类型的视频传输场景，实现以用低清晰度的传输流量获取高清晰度的内容，在不损伤原视频的同时，极大减小了网络视频传输的数据量，以下通过具体实施方式进行说明。
实施例一
请参照图1以及图2，一种视频传输方法，包括：
S1、获取待传输的第一视频；如通过摄像机等设备获取原始视频作为所述第一视频，或将动画等原始视频作为所述第一视频；
S2、将所述第一视频转化为低分辨率视频，具体的：获取待转化的预设分辨率，并通过预设视频压缩软件将所述第一视频转化为分辨率为所述预设分辨率的所述低分辨率视频；如所述第一视频的分辨率为2160P/1080P，可以使用ffmpeg等软件工具将所述第一视频的分辨率转化为360P/480P的低分辨率；其中，预设分辨率（目标分辨率）可以通过场景或实际情况选择一个经验阈值，如网络状态较好的情况下可以提高视频清晰度，或用户根据自身需求选择不同的清晰度进行传输。
S3、以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型，具体的：采用深度神经网络（Deep NeuralNetwork，DNN）作为所述机器学习模型用于训练；以所述第一视频作为所述深度神经网络的输入，所述低分辨率视频作为所述深度神经网络的输出，对所述深度神经网络进行一次训练，得到与所述第一视频对应的所述过拟合视频传输模型；其中，对于同一个输入，随机数种子seed确定时，模型的训练结果将始终保持一致；因而进行多次训练和仅进行一次训练结果是一样的。
S4、将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输，具体的：对所述过拟合视频传输模型以及低分辨率视频进行压缩得到压缩包后，在将所述压缩包分发至视频数据接收端；将所述过拟合视频传输模型以及低分辨率视频作为原视频进行传输后，使得接收端将所述低分辨率视频输入所述过拟合视频传输模型，所述过拟合视频传输模型输出得到所述第一视频，对于内容分发的应用场景，同一个视频只需训练一次即可发送到不同的目标主机；由于所述深度神经网络具有过拟合特性，并且仅经过由所述第一视频以及低分辨率视频构成的训练集进行一次训练，即经过训练的所述深度神经网络模型将过分贴合该训练集，借助该特性能够使其视频恢复效果最大程度的贴合所述第一视频，确保还原视频的原始状态。
其中，针对同一所述第一视频的不同清晰度，都可以使用其最低清晰度的视频以及对应的过拟合视频传输模型进行恢复。并且，针对不同的输入视频，都以原始的深度神经网络进行训练，即每一不同的输入视频均通过训练得到与之对应的过拟合视频传输模型。针对同一视频可将其对应的过拟合视频传输模型以及低分辨率视频存储，使得识别到输入视频为已传输过的视频时，能够直接根据储存的信息将其对应的过拟合视频传输模型以及低分辨率视频进行传输。
在一可选的实施方式中，还包括步骤：
S0、判断是否获取到视频发送指令，若是，则执行步骤S1-S4；
若否，则判断是否获取到视频接收指令，若是，则执行以下步骤：
S5、获取所述过拟合视频传输模型以及低分辨率视频；
S6、将所述低分辨率视频输入所述过拟合视频传输模型，所述过拟合视频传输模型输出得到所述第一视频。
实施例二
请参照图3，一种视频传输装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取待传输的第一视频。
S2、将所述第一视频转化为低分辨率视频；获取待转化的预设分辨率；通过预设视频压缩软件将所述第一视频转化为分辨率为所述预设分辨率的所述低分辨率视频。
S3、以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；其中，所述机器学习模型包括深度神经网络；
所述以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型包括：
以所述第一视频作为所述深度神经网络的输入，所述低分辨率视频作为所述深度神经网络的输出，对所述深度神经网络进行一次训练，得到与所述第一视频对应的所述过拟合视频传输模型。
S4、将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输，具体的：对所述过拟合视频传输模型以及低分辨率视频进行压缩得到压缩包后，再将所述压缩包分发至视频数据接收端；
将所述过拟合视频传输模型以及低分辨率视频进行视频数据传输，以使得接收端将所述低分辨率视频输入所述过拟合视频传输模型后，所述过拟合视频传输模型输出得到所述第一视频。
在一可选的实施方式中，所述视频传输装置集收发为一体，具体的：
S0、判断是否获取到视频发送指令，若是，则执行步骤S1-S4；
若否，则判断是否获取到视频接收指令，若是，则执行以下步骤：
S5、获取所述过拟合视频传输模型以及低分辨率视频；
S6、将所述低分辨率视频输入所述过拟合视频传输模型，所述过拟合视频传输模型输出得到所述第一视频。
综上所述，本发明提供的一种视频传输方法及装置，通过对同一个视频只做一次训练，得到与对应的过拟合视频传输模型，从而极大的减少了模型训练的时间以及模型的大小；同时，利用过拟合视频传输模型的过拟合特性，使得过拟合视频传输模型的训练结果更贴合由第一视频以及低分辨率视频构成的训练集，从而当通过过拟合视频传输模型对低分辨率视频进行还原时，能够恢复出高清晰度的原视频，实现用低清晰度的传输流量获取高清晰度的内容，在不损伤原视频的同时，极大的减小了网络视频传输的数据量，提高视频传输效率。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种视频传输方法，其特征在于，包括：
获取待传输的第一视频；
将所述第一视频转化为低分辨率视频；
以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；
将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输。
2.根据权利要求1所述的一种视频传输方法，其特征在于，所述将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输包括：
对所述过拟合视频传输模型以及低分辨率视频进行压缩，得到压缩包；
将所述压缩包分发至视频数据接收端。
3.根据权利要求1所述的一种视频传输方法，其特征在于，所述机器学习模型包括深度神经网络；
所述以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型包括：
以所述第一视频作为所述深度神经网络的输入，所述低分辨率视频作为所述深度神经网络的输出，对所述深度神经网络进行一次训练，得到与所述第一视频对应的所述过拟合视频传输模型。
4.根据权利要求1所述的一种视频传输方法，其特征在于，还包括：
将所述过拟合视频传输模型以及低分辨率视频进行视频数据传输，以使得接收端将所述低分辨率视频输入所述过拟合视频传输模型后，所述过拟合视频传输模型输出得到所述第一视频。
5.根据权利要求1所述的一种视频传输方法，其特征在于，所述将所述第一视频转化为低分辨率视频包括：
获取待转化的预设分辨率；
通过预设视频压缩软件将所述第一视频转化为分辨率为所述预设分辨率的所述低分辨率视频。
6.一种视频传输装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
获取待传输的第一视频；
将所述第一视频转化为低分辨率视频；
以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型；
将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输。
7.根据权利要求6所述的一种视频传输装置，其特征在于，所述将所述第一视频对应的所述过拟合视频传输模型以及低分辨率视频进行视频数据传输包括：
对所述过拟合视频传输模型以及低分辨率视频进行压缩，得到压缩包；
将所述压缩包分发至视频数据接收端。
8.根据权利要求6所述的一种视频传输装置，其特征在于，所述机器学习模型包括深度神经网络；
所述以所述第一视频以及低分辨率视频对机器学习模型进行一次训练，得到与所述第一视频对应的过拟合视频传输模型包括：
以所述第一视频作为所述深度神经网络的输入，所述低分辨率视频作为所述深度神经网络的输出，对所述深度神经网络进行一次训练，得到与所述第一视频对应的所述过拟合视频传输模型。
9.根据权利要求6所述的一种视频传输装置，其特征在于，还包括：
将所述过拟合视频传输模型以及低分辨率视频进行视频数据传输，以使得接收端将所述低分辨率视频输入所述过拟合视频传输模型后，所述过拟合视频传输模型输出得到所述第一视频。
10.根据权利要求6所述的一种视频传输装置，其特征在于，所述将所述第一视频转化为低分辨率视频包括：
获取待转化的预设分辨率；
通过预设视频压缩软件将所述第一视频转化为分辨率为所述预设分辨率的所述低分辨率视频。
CN202311118584.8A 2023-09-01 2023-09-01 一种视频传输方法及装置 Pending CN116886960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311118584.8A CN116886960A (zh) 2023-09-01 2023-09-01 一种视频传输方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311118584.8A CN116886960A (zh) 2023-09-01 2023-09-01 一种视频传输方法及装置

Publications (1)

Publication Number Publication Date
CN116886960A true CN116886960A (zh) 2023-10-13

Family

ID=88271733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311118584.8A Pending CN116886960A (zh) 2023-09-01 2023-09-01 一种视频传输方法及装置

Country Status (1)

Country Link
CN (1) CN116886960A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200162789A1 (en) * 2018-11-19 2020-05-21 Zhan Ma Method And Apparatus Of Collaborative Video Processing Through Learned Resolution Scaling
CN113709401A (zh) * 2021-09-09 2021-11-26 深圳前海微众银行股份有限公司 视频通话方法、设备、存储介质及程序产品
CN114584805A (zh) * 2020-11-30 2022-06-03 华为技术有限公司 视频传输方法、服务器、终端和视频传输系统
CN114786007A (zh) * 2022-03-21 2022-07-22 鹏城实验室 一种结合编码与图像超分辨率的智能视频传输方法及系统
WO2023069078A1 (en) * 2021-10-19 2023-04-27 Bitmovin, Inc. Device-adaptive super-resolution based approach to adaptive streaming

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200162789A1 (en) * 2018-11-19 2020-05-21 Zhan Ma Method And Apparatus Of Collaborative Video Processing Through Learned Resolution Scaling
CN114584805A (zh) * 2020-11-30 2022-06-03 华为技术有限公司 视频传输方法、服务器、终端和视频传输系统
CN113709401A (zh) * 2021-09-09 2021-11-26 深圳前海微众银行股份有限公司 视频通话方法、设备、存储介质及程序产品
WO2023069078A1 (en) * 2021-10-19 2023-04-27 Bitmovin, Inc. Device-adaptive super-resolution based approach to adaptive streaming
CN114786007A (zh) * 2022-03-21 2022-07-22 鹏城实验室 一种结合编码与图像超分辨率的智能视频传输方法及系统

Similar Documents

Publication Publication Date Title
CN111681167B (zh) 画质调整方法和装置、存储介质及电子设备
US10499056B2 (en) System and method for video processing based on quantization parameter
CN110072119B (zh) 一种基于深度学习网络的内容感知视频自适应传输方法
US20030177255A1 (en) Encoding and decoding system for transmitting streaming video data to wireless computing devices
WO2021129830A1 (zh) 视频传输方法、装置、设备和系统
WO2021047177A1 (zh) 数据编码方法及装置
WO2021227704A1 (zh) 图像识别方法、视频播放方法、相关设备及介质
US20200177470A1 (en) Method for enhancing quality of media
CN112929666B (zh) 一种编解码网络的训练方法、装置、设备及存储介质
WO2022111631A1 (zh) 视频传输方法、服务器、终端和视频传输系统
US12003386B2 (en) Method for enhancing quality of media
CN103517072A (zh) 视频通信方法和设备
CN109168041B (zh) 一种移动终端监控方法及系统
WO2022095797A1 (zh) 图像的压缩方法、装置、智能终端及计算机可读存储介质
CN110740352B (zh) 显卡透传环境下基于spice协议的差异图像显示方法
Huang et al. A cloud computing based deep compression framework for UHD video delivery
CN111476866B (zh) 视频优化与播放方法、系统、电子设备及存储介质
CN116886960A (zh) 一种视频传输方法及装置
CN110413840B (zh) 一种构造对视频确定标签的神经网络及其训练的方法
CN109413445B (zh) 一种视频传输方法及装置
CN115942009A (zh) 基于混合式编码的远程视频业务办理方法和装置
CN108629739A (zh) Hdr图像的生成方法、装置及移动终端
CN113996056A (zh) 云游戏的数据发送和接收方法以及相关设备
TWI358046B (en) Method of decompressing a set of subsampled image
CN107318021A (zh) 一种远程显示的数据处理方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination