Die Software soll die neuronalen Prozesse des menschlichen Auges imitieren und so die Dateigröße von Bildern bei gleichbleibender Qualität um das Zehnfache reduzieren. Diese Technologie entwickelt Deep Render. Das Londoner KI-Startup entstand 2017 als eine Ausgründung aus dem Department of Computing am Imperial College London. Das deutsche Livestreaming-Startup Contentflow erprobt die Technologie im Bereich Livestreaming. Durch den “Fast Track to Innovation” (FTI) der EU-Kommission wird das Projekt mit rund drei Millionen Euro gefördert. Das Computer Vision Lab an der TU Wien ist wissenschaftlicher Partner des Projektes.
Der weltweite Verbrauch von Internetdaten hat sich weltweit exponentiell mehr als verzehnfacht. Bild- und Videodaten machen dabei mehr als 85 % des gesamten Internettraffics aus, durch immer mehr Streaming wird dieser Trend anhalten. Verstärkt wird die Entwicklung durch neue Angebote wie 4K, 5K, Virtual und Augmented Reality Streaming und Cloud-Gaming. Nur mit Netzausbau wird sich der weitere Bedarf an Internetkapazitäten nicht abdecken lassen.
Bessere Komprimierung für weniger Energieverbrauch
Eine einfachere, billigere und schnellere Lösung zum Ausbau der Kapazitäten wäre eine effizientere Komprimierung von Bild- und Videodateien. Denn eine bessere Komprimierung reduziert die Dateigrößen, den Speicherplatz und die Bandbreitenanforderungen. Sie würde auch Energie und CO2 bei der Speicherung und auch bei der Übertragung einsparen. Die Fortschritte bei den Videokomprimierungstechnologien sind jedoch seit dem letzten Jahrzehnt ins Stocken geraten.
Deep Render hat einen höchst innovativen Ansatz für die Videokompression entwickelt, der nicht auf bisherigen Kompressionstechnologien oder Codecs basiert. “Wir haben den gesamten Bereich der Kompression auf Basis moderner Frameworks von Grund auf neu entwickelt und eine radikal neue Klasse von Kompressionsmethoden geschaffen. Wir kombinieren künstliche Intelligenz, maschinelles Lernen, Statistik und Informationstheorie in einem nicht-linearen Ansatz zur Videokompression, der die neurologische Verarbeitung des besten bekannten Videokompressors, des menschlichen Auges, widerspiegelt – auch bekannt als Biologische Kompression”, sagt Chri Besenbruch, CEO von Deep Render.
Ziel des Projektes ist es, einen vollständigen Demonstrations-Videocodec zu entwickeln, der marktreif für die Kommerzialisierung für Video-on-Demand (VoD) ist, mit einer Kompressionseffizienz, die 80 % besser ist als die besten bestehenden Codecs (AV1/H265).
Marktreifer Codes als Ziel
“Unsere Ziele für dieses Projekt sind die Entwicklung eines marktreifen Codecs mit einer Komprimierungseffizienz von 80%, Dekodierzeiten von 16,6 ms/Bild (60fps) auf einem iPhone 13 und einem Speicherbedarf von 3 MB. Die erhöhte Komprimierungseffizienz bedeutet, dass unsere äquivalente Dateigröße bei gleicher Videoqualität 20% der bestehenden komprimierten Dateigröße anderer Codecs betragen wird, wodurch 80 % der bisher genutzten Internet-Bandbreite frei werden”, so Besenbruch. Die Verringerung der Dateigröße werde sich direkt auf den Energieverbrauch und die CO2-Produktion in ähnlicher Höhe auswirken.
Dieser neue Codec wird mit der Streaming-Software von Contentflow getestet, um so alle Integrationsprobleme zu identifizieren und zu lösen. Die Contentflow Livestreaming Plattformen deckt alle Aspekte des Livestreamings ab. Damit lassen sich Livestreams von Veranstaltungen (Konferenzen, Diskussionen, Hauptversammlungen) genau so umsetzen wie komplette Tagungen oder Messen oder die Medienberichterstattung bei Breaking News. Namhafte Kunden wie ARD Aktuell (tagesschau), die Online Marketing Rockstars oder die Messe Berlin nutzen die Software. “Unser Ziel war es von Anfang an, beim Livestreaming die höchste Qualität zu bieten. Wir hoffen, mit dem Codec nicht nur die Qualität weiter steigern zu können, sondern auch gleichzeitig das benötigte Datenvolumen für unsere Kunden zu senken”, so Sebastian Serafin, CEO von Contentflow.
Die TU Wien wird ihre technischen Spezialkenntnisse in den Bereichen Computer Vision und maschinelles Lernen einsetzen, um den neuen Codec für vier Anwendungsfälle mit jeweils spezifischen Herausforderungen zu erweitern. Diese werden medizinische Bildgebung, Satellitenbildgebung, virtuelle Stereorealität und autonome Autos sein.
