Feedback

Faculté des Sciences appliquées
Faculté des Sciences appliquées
Mémoire
VIEW 88 | DOWNLOAD 1

Master thesis : Super-Resolution Techniques for Broadcast Videos Using Deep Neural Networks

Télécharger
Langer, Guillaume ULiège
Promoteur(s) : Louppe, Gilles ULiège
Date de soutenance : 27-jui-2022/28-jui-2022 • URL permanente : http://hdl.handle.net/2268.2/14399
Détails
Titre : Master thesis : Super-Resolution Techniques for Broadcast Videos Using Deep Neural Networks
Auteur : Langer, Guillaume ULiège
Date de soutenance  : 27-jui-2022/28-jui-2022
Promoteur(s) : Louppe, Gilles ULiège
Membre(s) du jury : Marée, Raphaël ULiège
Fontaine, Pascal ULiège
Botta, Vincent 
Langue : Anglais
Discipline(s) : Ingénierie, informatique & technologie > Sciences informatiques
Institution(s) : Université de Liège, Liège, Belgique
Diplôme : Master : ingénieur civil en science des données, à finalité spécialisée
Faculté : Mémoires de la Faculté des Sciences appliquées

Résumé

[en] With 4K technologies becoming increasingly available, suitable ultra-high definition video content is more and more demanded. Indeed, lower resolution video standards such as Full HD cannot be rendered as is on 4K devices, otherwise visual artifacts appear and decrease the perceptual quality. A possible solution to this problem is to use space-time video super-resolution to convert older Full HD content into new 4K videos for a smoother visual experience.

EVS Broadcast Equipment is a leading company in the broadcast industry. They provide solutions to the most important sports leagues worldwide, and are also active in many other fields. At their request, this work aims to develop a space-time super-resolution method to convert Full HD content to 4K. However, the footage handled at EVS is demanding, with generally fast and large motions and a high level of detail. This aspect is therefore taken into account, as well as the fact that EVS must often work in real time. In addition to have good performance, the developed method is also designed to be as fast as possible.

In this work, an overview of the related literature is first proposed, highlighting the fact that deep neural networks are the state-of-the-art in space-time video super-resolution. However, most methods are developed to produce relatively low resolution content. The current work is based on two of them, which are therefore heavily modified to work on 4K. Furthermore, in addition to building a suitable architecture, a large amount of data is collected to properly train the model. Finally, a highly parallelized inference approach is proposed, and concrete example of 4K videos generated by the developed method are provided.


Fichier(s)

Document(s)

File
Access s161993_LANGER_2022.pdf
Description: -
Taille: 18.9 MB
Format: Adobe PDF

Annexe(s)

File
Access Abstract_LANGER_Guillaume.pdf
Description: -
Taille: 32.12 kB
Format: Adobe PDF
File
Access Illustrations_Summary_LANGER_Guillaume.pdf
Description: -
Taille: 1.14 MB
Format: Adobe PDF

Auteur

  • Langer, Guillaume ULiège Université de Liège > Master ingé. civ. sc. don. à . fin.

Promoteur(s)

Membre(s) du jury

  • Marée, Raphaël ULiège Université de Liège - ULiège > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Méthodes stochastiques
    ORBi Voir ses publications sur ORBi
  • Fontaine, Pascal ULiège Université de Liège - ULiège > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes informatiques distribués
    ORBi Voir ses publications sur ORBi
  • Botta, Vincent
  • Nombre total de vues 88
  • Nombre total de téléchargements 1










Tous les documents disponibles sur MatheO sont protégés par le droit d'auteur et soumis aux règles habituelles de bon usage.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.