NVRC：神经视频表示压缩

基于摘要分析。本文研究基于隐式神经表示（INR）的视频压缩，提出 Neural Video Representation Compression（NVRC），重点不是改进视频表示架构，而是优化表示本身的压缩，以联合改善码率与重建失真。 此类方法针对单个视频序列训练神经网络，使其拟合该序列，再通过压缩网络参数获得视频的紧凑表示。NVRC 引入量化与熵编码方法，将 INR 视频表示的率失真权衡纳入端到端优化；同时对网络、量化及熵模型的全部参数进行分层压缩，旨在减少熵模型等引入的额外码率开销。摘要未给出量化机制、概率模型、损失具体形式或分层编码细节，尚需全文核对。 作者报告，在 UVG 数据集上，以 PSNR 衡量重建质量、以 VVC VTM 的 Random Access 配置为对照，NVRC 获得平均 23% 的编码增益，并优于多种传统及学习式基准编码器。这里的 23% 是原文所称编码增益，不是 PSNR 提高 23%；其具体计算方式、码率区间、视频设置及汇总方法尚未验证。实验协议、消融及统计信息尚未验证，训练成本、编码与解码速度也需进一步核对。 平台推测（待验证）：其可借鉴之处是联合优化信号表示、参数量化与实际编码开销，而非已验证的 EEG 解码能力。若迁移至多通道 EEG 压缩，需将视频表示改为适配时间与通道结构的表示，并让失真目标保留任务相关信号；低信噪比、通道差异及短片段下的模型参数开销可能抵消收益。可先在固定 EEG 数据划分上，对比联合优化与分步量化编码，在计入全部模型参数的相同总码率下，同时评估波形失真和固定下游任务性能。该假设不等同于视频结果可直接迁移，相关 EEG 工作尚未检索确认。