Сжатие потокового видео неизбежно приводит к размытости, блочным искажениям и потере мелких деталей — и хотя нейросети давно умеют повышать разрешение, большинство методов тестируются на данных, далёких от реальных условий просмотра через интернет. Сотрудники Исследовательского центра в сфере искусственного интеллекта МГУ разработали подход, который улучшает визуальное качество потокового видео в реальном времени без потери скорости, а также собрали уникальный набор данных из 5200 видеороликов с открытой лицензией, приближенных к условиям реального интернет-просмотра. «В нашей работе мы постарались приблизить обучение и проверку таких моделей к условиям, с которыми сталкивается зритель», — отметил старший научный сотрудник Центра ИИ и факультета ВМК МГУ Дмитрий Ватолин.
Как сообщает пресс-служба МГУ, работа была представлена на международной конференции по обучению репрезентаций (ICLR) 2026 года в Рио-де-Жанейро, Бразилия. Исследование проводилось сотрудниками Исследовательского центра в сфере искусственного интеллекта МГУ, а также факультета вычислительной математики и кибернетики.
В чём проблема существующих методов
Потоковые видеоплатформы используют сжатие, чтобы передавать видео при ограниченной скорости соединения. Однако из-за этого на изображении появляются размытость, блочные искажения и потеря мелких деталей. Методы искусственного интеллекта позволяют повышать разрешение видео, но многие из них обучаются и тестируются на данных, которые не полностью отражают особенности реального потокового видео. Это приводит к тому, что даже эффективные на тестовых выборках алгоритмы плохо работают в реальных условиях.
Какие данные собрали учёные
Авторы исследования собрали новый набор данных, который включает 5200 видеороликов с открытой лицензией, размещённых в открытом доступе. Они охватывают разные темы, жанры и разрешения. Такой набор позволяет проверять методы повышения разрешения не на искусственно подготовленных примерах, а на данных, близких к реальным условиям просмотра потокового видео.
На основе этого набора исследователи провели сравнение 11 методов повышения разрешения в реальном времени. Они оценивали качество работы моделей по нескольким объективным показателям качества изображения, а также провели пользовательское исследование: участники сравнивали пары видео и выбирали вариант с лучшим визуальным качеством.
Какую модель предложили учёные
Исследователи предложили собственную модель, оптимизированную для работы в реальном времени. Она сохраняет скорость, достаточную для обработки видео в таком режиме, и при этом лучше восстанавливает детали изображения. Для обучения модели использовалась специальная функция потерь, которая учитывает точность восстановления, особенности зрительного восприятия и сохранение резких границ на изображении.
Расчёты и пользовательское сравнение показали, что предложенный подход улучшает качество потокового видео при сохранении скорости, необходимой для работы в реальном времени. Авторы также показали, что дополнительное обучение других моделей на собранном наборе данных повышает их качество не только на потоковом видео, но и на стандартных проверочных наборах.
Каковы перспективы применения
Полученные результаты могут использоваться при разработке систем улучшения качества видео, передаваемого через интернет, а также при создании более точных методов оценки визуального качества. Подготовленный авторами набор данных и результаты сравнения моделей могут быть полезны для дальнейших исследований в области обработки видео и искусственного интеллекта.
Как отметил Дмитрий Ватолин, для потокового видео важно не просто увеличить разрешение кадра, а сделать это быстро и одновременно устранить искажения, возникающие при реальном сжатии. Это позволяет точнее оценивать существующие методы и создавать решения, которые лучше работают именно с потоковым видео.
Коротко: главное о разработке учёных МГУ
Сотрудники МГУ создали метод для улучшения качества потокового видео в реальном времени. Они собрали набор из 5200 видео для тестирования в условиях, близких к реальному интернет-просмотру, сравнили 11 существующих моделей и предложили свою, оптимизированную для скорости и качества. Модель восстанавливает детали и удаляет искажения сжатия без потери производительности. Работа представлена на конференции ICLR 2026 в Рио-де-Жанейро. Результаты могут применяться в системах улучшения видео и для создания более точных методов оценки качества.
Резюме
-
Учёные МГУ разработали подход для повышения качества потокового видео в реальном времени.
-
Собрали набор данных из 5200 видео для тестирования в реальных условиях.
-
Предложили модель, оптимизированную по скорости и качеству, с учётом зрительного восприятия.
-
Провели сравнение 11 существующих методов и пользовательское исследование.
-
Результаты представлены на международной конференции ICLR 2026.
Материал подготовлен изданием «Техносуверен» (technosuveren.ru).
Дата публикации: 20 августа 2026 года.
