بهبود تکنیک‌های کدگذاری ویدئو با ماشین کدگذاری ویدیویی ،رویکردی مبتنی بر یادگیری عمیق و منطق فازی

چکیده

این پژوهش ، مروری بر تکنیک‌های نوین کدگذاری ویدئو از دیدگاه کاهش نرخ بیت، بهبود کیفیت تصویر و کاهش پیچیدگی محاسباتی ارائه می‌دهد. پژوهش حاضر چهار محور کلیدی را مورد بررسی قرار می‌دهد: استفاده از VHNet، یک شبکه پنهان‌سازی مبتنی بر شبکه‌های عصبی معکوس INN به همراه ماژول شبیه‌ساز کدگذاری،که باعث افزایش 40 درصدی بازیابی ویدئوی مخفی می‌شود.‌به کارگیری LSTM-HEVC برای مدل‌سازی وابستگی‌های زمانی بین فریم‌ها که زمان کدگذاری میان‌فریمی را تا 70.85 درصد کاهش می‌دهد.استفاده از DNFPS در AVS3 جهت حذف عملیات پیش‌کدگذاری غیرضروری و کاهش 16 درصدی پیچیدگی.بهره‌گیری از CNN-H.266 برای پیش‌بینی حالت‌های درونی در H.266/FVC به نحوی که نرخ بیت را 0.033 درصد کاهش دهد. علاوه بر این، مقاله به معرفی و ارزیابی روش جدید Video Coding Machine می‌پردازد که با ادغام الگوریتم‌های یادگیری عمیق CNN، LSTM و Transformer توانسته است عملکرد کلی سیستم را از نظر کاهش نرخ بیت تا 70 درصد و افزایش PSNR تا 45.3 دسی‌بل بهبود بخشد. نتایج تجربی، شامل مقایسه‌های آماری و نمودارهای تحلیلی، نشان می‌دهد که رویکرد پیشنهادی به‌طور قابل‌توجهی بر استانداردهای مرسوم تسلط دارد. این مطالعه، کاربردهای عملی در حوزه‌های استریمینگ، سیستم‌های نظارتی و مدیریت ترافیک هوشمند را نیز مورد بررسی قرار داده و جهت‌های آینده پژوهش را پیشنهاد می‌دهد.