Detail Cantuman

Video kompresi telah menjadi kebutuhan penting dalam penyimpanan dan transmisi data digital, namun seringkali menyebabkan degradasi kualitas seperti blocking artifacts dan blur. Penelitian ini berfokus pada modifikasi arsitektur Video Restoration Transformer (VRT) untuk mengatasi permasalahan tersebut dengan mengintegrasikan mekanisme deformable attention dan channel attention. Modifikasi ini bertujuan untuk meningkatkan fleksibilitas model dalam menyelaraskan fitur antar-frame dan memperkuat selektivitas pada fitur penting di tingkat channel. Eksperimen dilakukan menggunakan dataset Vimeo-90K, yang mencakup berbagai variasi gerakan dan kompleksitas spasial. Model yang diusulkan berhasil mencapai PSNR 34.17 dB dan SSIM 0.9198, dengan performa terbaik pada channel luminance (PSNR-Y 36.06 dB, SSIM-Y 0.9343). Hasil ini menunjukkan peningkatan kualitas restorasi dibandingkan baseline, meskipun belum melampaui performa state-of-the-art. Analisis mendalam mengungkapkan bahwa penambahan mekanisme attention yang terlalu kompleks dapat mengurangi efektivitas mutual attention, yang merupakan komponen utama dalam VRT. Temuan ini memberikan wawasan penting tentang keseimbangan antara kompleksitas arsitektur dan efektivitas model dalam tugas restorasi video.
Keywords: Video restoration, transformer, lightweight model, attention mechanism, temporal processing