While digital displays have continuously increased in resolution, video content produced before these improvements is however stuck at its original resolution, and the use of some form of scaling is needed for a satisfactory viewing experience on high-resolution displays. In recent years, the field of video scaling has taken a leap forward in output quality, due to the adoption of deep learning methods in research. In this paper, we describe a study wherein we train a convolutional neural network for super-resolution, and conduct a large-scale A/B video quality test in order to investigate if SVT video-ondemand viewers prefer video upscaled using a convolutional neural network to video upscaled using the standard bicubic method. Our results show that viewers generally prefer CNNscaled video, but not necessarily for the types of content this technology would primarily be used to scale. We conclude that the technology of deep upscaling shows promise, but also believe that more optimization and flexibility is need for deep scaling to be viable for mainstream use. / Allteftersom bildskärmstekniken förbättras så får mediekonsumenter tillgång till skärmar med allt högre upplösningar; dock är videomaterial som producerats för en viss bildupplösning, fast på denna nivå, och någon form av skalning måste användas för en bra tittarupplevelse på högupplösta skärmar. På senare tid så har videoskalning förändrats, tack vare användandet av djupinlärningsmetoder inom forskningen. I den här rapporten beskriver vi en studie där vi tränade en djup modell för videouppskalning, och sedan utförde ett storskaligt A/B-test, med syftet att undersöka huruvida SVTs onlinetittare föredrar video skalad med djupinlärning över video skalad med konventionella metoder. Våra resultat visar att tittarna föredrog video skalad med djupinlärning, dock inte nödvändigtvis för det material tekniken främst skulle användas med. Vi drar slutsatsen att videoskalning med hjälp av djupinlärning är lovande, men anser också att mer optimering och flexibilitet behövs innan tekniken kan anses mogen för bred adoption.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-306731 |
| Date | January 2021 |
| Creators | Lundkvist, Fredrik |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:752 |
Page generated in 0.0023 seconds