超轻量级神经视频表示压缩

基于摘要分析。本文研究面向视频压缩的轻量级隐式神经表示（INR），在 NVRC 的端到端表示压缩框架上提出 NVRC-Lite，目标是在降低计算开销的同时改善率失真性能与编解码速度；研究对象是视频编解码，而非 EEG 或 BCI。 方法包含两项主要改动：其一，在轻量级神经表示中引入多尺度特征网格，作者认为更高分辨率的网格有助于提升低计算复杂度下的表示性能；其二，针对现有 INR 熵编码中自回归模型速度较慢的问题，提出基于八叉树的上下文模型，用于高维特征网格的熵编码。摘要未提供具体网络结构、训练目标、量化方式及上下文组织细节。 作者报告，在与轻量级 INR 视频编解码器 C3 的比较中，以 PSNR 和 MS-SSIM 衡量失真时，NVRC-Lite 的 BD-rate 节省最高分别为 21.03% 和 23.06%，编码与解码加速分别为 8.4 倍和 2.5 倍。上述结果仅适用于原文相应评估条件；摘要未交代测试视频、码率区间、硬件及速度测量范围，尚不能据此判断不同设置下的收益。摘要中低于 10kMACs/pixel 的复杂度描述针对近期轻量级 INR 工作，并非明确给出的 NVRC-Lite 复杂度。 作者表示将公开实现，当前材料不能确认代码已发布。实验协议、消融及统计信息尚未验证。该方法依赖视频及其多尺度特征网格结构，摘要未建立与神经信号压缩或 BCI 解码的具体机制对应，因此不据此推导 EEG/BCI 效果。