DIA：面向云游戏的深度强化学习兴趣感知 ABR 方案
针对云游戏在无线网络下高分辨率、低延迟传输的难题，研究者提出基于深度强化学习的兴趣感知 ABR 方案 DIA，借助现成语义分割模型实现对象级码率调整，并通过基于 Transformer 的特征提取器和兴趣感知奖励函数识别关键对象。该方案依据玩家游戏内移动速度、对象特征和网络状况自适应调整码率，无需眼动追踪等额外硬件。实验显示，在 5G 场景下 DIA 的归一化平均 QoE 至少比 SOTA ABR 算法高 20%。
#弱网对抗
arXiv cs.MM评分3838
论文与标准精选评分6666 论文 OCC：用物理层信息辅助 RTC 拥塞控制，尾延迟降低 13%-68%
针对 RTC 试错式带宽探测在蜂窝网络波动下迟缓失准的问题，OCC 直接读取物理层信息实时获取可用带宽，并通过帧级带宽测量、APP 限速感知估计与编码器友好码率控制三项策略适配 RTC 的流量突发与编码滞后特性；在开源蜂窝测试床的实网实验中，尾网络延迟降低 13%-68%，视频帧码率提升 1.2-3.5 倍。
推荐理由：把跨层信息引入实时拥塞控制的新思路，实验增益明确，代表 2026 年 RTC 传输研究的一个方向。
论文与标准精选评分7474 论文 Camel：帧级带宽估计提升直播 1080P 占比 70.8%
北大与字节跳动团队发现反直觉现象：编码码率未用满带宽时卡顿仍频发，根因是实时编码的瞬时码率波动让包级拥塞控制误判可用带宽；Camel 改用帧级网络反馈估计真实容量，由带宽与时延估计器、拥塞检测器与突发长度控制器组成；在 2.5 亿用户、20 亿会话、150+ 国家的真实平台上线后，1080P 分辨率占比最多提升 70.8%，媒体码率提升 14.4%，卡顿率最多下降 14.1%；仿真中码率高 19.8%、卡顿率低 93.0%、带宽估计精度提升 23.9%。
推荐理由：从真实大规模平台发现问题并验证的拥塞控制研究，WWW 2026 收录，数据完整。
论文与标准精选评分6262 论文 TAROT：按段调优 FEC 冗余度，开销最多降 43%
针对静态 FEC 配置在丢包率与缓冲变化下要么浪费带宽要么保护不足的问题，TAROT 逐段选择冗余度、块大小与符号化参数，联合考虑传输层丢包/goodput、应用层缓冲动态与块级时序；支持 Reed-Solomon、RaptorQ 与 XOR 码，在低延迟直播与 VOD、多种网络轨迹与 ABR 算法下，FEC 开销最多降 43%，感知质量提升 10 VMAF。
推荐理由：用优化模型替代经验阈值的 FEC 调参方法，兼顾开销与画质的量化结果有工程参考价值。