应用数据需求与可用网络带宽一直是信息时代的持久战，但根据新泽西理工大学副教授Jacob Chakareski的一项新研究，现在看来休战近在眼前。
Chakareski和他的团队与来自马萨诸塞大学阿姆赫斯特分校的同事合作，设计了一个系统，通过在接收硬件上运行的神经网络，使网络请求的误差偏小，并将差异放大。
他们称之为“基于缓冲占用的神经增强流”，将在今年夏天在意大利威尼斯举行的ACM Sigmetrics会议上展示，会上只有大约10%的提交论文被接受。
他们表示:“由于网络带宽不足和不稳定，访问高质量的视频内容可能具有挑战性……神经增强在通过深度学习提高降级视频质量方面显示出了有希望的结果。”
利用一种被称为Lyapunov优化的数学函数，“我们的综合实验结果表明，与最先进的算法相比，BonES的体验质量提高了4%到13%，这表明它有潜力增强用户的视频流体验。”
“人们以前就考虑过这个问题。但这是第一次在数学上描述并确保它符合延迟限制的工作。人们已经讨论过这种超分辨数据的想法，”Chakareski解释道。客户端同时执行速率调度和计算调度决策。这是方法的关键。这是前所未有的。”
“我们已经建立了一个原型，所以论文中显示的结果是基于原型的。它运行得很好。结果和我们通过模拟观察到的结果一样好。”该团队还公开分享其代码和数据。
一个概念验证应用程序正在开发中。BonES团队正在与伊利诺伊大学厄巴纳-香槟分校合作，进行一个名为MiVirtualSeat的混合现实项目:沉浸式会议环境的语义感知内容分发，该项目面临着BonES所解决的网络挑战。
Chakareski说，他希望流行的视频会议服务也能采用这种方法。“我认为这将是一个推动力，因为神经计算正在成为一种东西。你听说过很多关于机器学习在不同领域的应用，这可能是另一个可以使用它的应用。我们还没有想过将这项技术商业化，但这肯定是人们可以追求的，我们也可能会追求。”
“在内容质量和网络能力之间存在着持续的竞争。只要两者并存，这就会一直是个问题。”
这项研究发表在arXiv预印本服务器上。
更多信息:王凌东等，BONES: Near-Optimal neural enhanced Video Streaming, arXiv(2023)。引用:神经网络可以在下载大小和质量之间进行调解，根据研究员(2024,4月22日)从https://techxplore.com/news/2024-04-neural-networks-download-size-quality.html检索到2024年4月22日。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
