Ansprechpartner
FAME Robert Seeliger
Dipl.-Ing. FH Robert Seeliger
Senior Project Manager
Geschäftsbereich FAME
+49 30 3463-7262

DeepEncode

KI-gestütztes Per-Title Videoencoding für low-latency Live-Streaming und dynamische Video-Content-Workflows

01. Sept. 2019 bis 31. Aug. 2021

Bis 2021 wird die Übertragung von Bewegtbildinhalten 81% des globalen Internetverkehrs bei Nutzern ausmachen. Um die bei digitalem Videomaterial anfallenden Datenmengen an die im Internet begrenzten Übertragsungskapazitäten anzupassen, findet vor der Übertragung beim Encoding eine Kompression statt. Diese Kompression arbeitet nicht verlustfrei. Eine subjektiv möglichst verlustfreie Reduktion der zur Speicherung und Übertragung von Bewegtbildinhalten benötigten Datenmengen ermöglicht deren Übertragung über heutige Internetverbindungen. Insbesondere low-latency Live-Streaming stellt hier spezielle Anforderungen an die gesamte Übertragungsstrecke und kann von intelligenten Ansätzen, Inhalte effizienter zu komprimieren, profitieren.

Ziel des Projekts ist es, neue Verfahren zum automatisierten Per-Title Encoding für Video on-demand (VOD) und low-latency Live-Streaming zu erforschen und zu entwickeln. Dabei sollen Techniken aus den Bereichen der künstlichen Intelligenz und des maschinellen Lernens zum Einsatz kommen. Des weiteren werden diese neuen Verfahren hinsichtlich Ihrer Anwendbarkeit in den wirtschaftlich höchst relevanten Bereichen Inhalte-Erstellung, Syndikation und Distribution evaluiert und optimiert. Es wird erwartet, dass sich durch den Einsatz solcher Verfahren der Zeitaufwand zur Ermittlung der optimalen Einstellungen im Vergleich zu den heute verwendeten Verfahren um 90% reduzieren lässt. Gleichzeitig könnten die durchschnittlichen Speichermengen und Übertragungsraten im Vergleich zu klassischen Encoding-Lösungen um 30% gesenkt bzw. die Bildqualität der zu übertragenden Videos erhöht werden. Aus Unternehmenssicht führt dies langfristig zu signifikanten Kostenersparnissen und Verbesserung der Dienstgüte (Quality of Experience - QoE) für den Endverbraucher.

fame, project, deep encode, 2019, bmbf
Der DeepEncode Workflow: Vom Quellvideo zum optimierten Video-Stream - per KI-gestütztem Per-Title Videoencoding Fraunhofer FOKUS

Das zentrale Forschungsanliegen des Projektes besteht darin, intelligente und selbst lernende Algorithmen zur Vorbereitung und Übertragung von Videomaterial zu erforschen und zu entwickeln,

  • die das optimierte adaptive Video auf genau die Informationen reduziert, die der Zuschauer tatsächlich an seinem Endgerät sehen kann, bedingt durch z.B. Auflösung oder Bildschirmgröße,
  • die eine Optimierung der Streaming-Protokolle für VOD und Live-Streaming-Situationen erlauben,
  • die eine Erfassung von Metriken mit Feedbackschleife zur dynamischen Optimierung der Encoding- und Streaming-Services ermöglichen,
  • die Format-agnostisch arbeitet und die Verwendung existierender Videocodecs erlaubt.

Projektdauer: 01.09.2019  - 31.08.2021 

Partner: Nowtilus (DE), Nanocosmos (DE)

Das Projekt wird gefördert vom BMBF und der Förderlinie "KMU-Innovationsoffensive Informations- und Kommunikationstechnologie" (IKT)