Ce projet permet de diffuser des flux vidéo en temps réel via un protocole WebSocket. Il convertit les images en format MPEG1 et prend en charge le décodage Bayer pour améliorer la qualité des vidéos. Principalement utilisé pour des applications nécessitant un streaming vidéo performant et en temps réel.

Projet de recherche et développement dédié à l'amélioration de la qualité des vidéos en conditions de faible luminosité. Il combine des techniques avancées de débruitage et de démosaïçage pour restaurer des vidéos issues de capteurs RAW, en utilisant des réseaux de neurones récurrents. Le système permet de traiter des séquences vidéo pour produire des images plus nettes et exploitables, notamment pour des applications en vision par ordinateur ou en imagerie médicale.

Ce projet est une chaîne de traitement vidéo open source conçue pour améliorer la qualité des vidéos en appliquant plusieurs étapes de traitement. Il permet de réduire le bruit, stabiliser les séquences, calculer le flux optique, déflouter et effectuer un mappage des tons pour optimiser la visualisation. Le pipeline est automatisé et modulaire, avec des scripts dédiés pour chaque étape.

MF2F est un projet dédié à l'amélioration de la qualité des vidéos en réduisant le bruit présent dans les séquences d'images. Il propose des méthodes avancées pour traiter des flux vidéo bruités en comparant les résultats avec des références propres. Le projet inclut des outils pour calculer des masques de collision, des flux optiques et des résidus de warping, ainsi que des réseaux de neurones pour affiner les résultats.

Ce projet propose une solution de traitement vidéo en temps réel, permettant d'améliorer la qualité des vidéos frame par frame. Il intègre des outils de stabilisation, de suppression de bruit (y compris le bruit de fond et le bruit AWGN), d'estimation de mouvement optique et de mappage de tons. L'approche modulaire utilise des pipelines Unix pour enchaîner les processus de manière flexible et efficace.

Projet de recherche dédié à la segmentation d'arrière-plan pour les visioconférences en temps réel. Il évalue et améliore des modèles existants pour une meilleure qualité d'image, notamment sur les contours et la stabilité temporelle. Une interface web intégrée permet d'appliquer ces techniques directement dans les appels vidéo, optimisant ainsi l'expérience utilisateur pour les professionnels et les particuliers.

Coturn est un serveur de relais de protocoles de communication en temps réel, utilisé pour faciliter les appels audio et vidéo dans Mattermost. Il améliore la qualité des communications en ligne en gérant les connexions et les flux médias des appels, offrant ainsi une expérience utilisateur plus fluide et plus fiable.

Le projet motion-artifacts vise à analyser et améliorer des séquences vidéo en détectant les artefacts et en suivant les mouvements. Il permet d'obtenir des images de meilleure qualité en réduisant les distorsions et en stabilisant les séquences.

Ce projet fournit des algorithmes de filtrage d'espace pour les fichiers vidéo, améliorant ainsi leur qualité. Il prend en charge différents types de filtres, tels que moyenne, médiane et gaussien.

Marker est une plateforme dédiée à l'annotation et à l'étiquetage de données visuelles (images et vidéos) pour entraîner des modèles d'intelligence artificielle. Elle permet aux équipes de collaborer efficacement pour créer des jeux de données de haute qualité, essentiels au développement et à l'amélioration des algorithmes de vision par ordinateur.