Cet article présente UAR-NVC (Unified AutoRegressive Framework for memory-efficient Neural Video Compression), un nouveau framework qui applique le traitement image par image des frameworks de compression vidéo existants aux INR afin de résoudre le problème de consommation mémoire dans la compression vidéo utilisant des représentations neuronales implicites (INR). UAR-NVC intègre les frameworks de compression vidéo basés sur les INR et existants dans une perspective de modélisation autorégressive temporelle en segmentant une vidéo en plusieurs clips et en utilisant une instance de modèle INR différente pour chaque clip. Nous concevons deux modules pour optimiser l'initialisation, l'apprentissage et la compression des paramètres du modèle afin de réduire la redondance temporelle entre les clips. La latence peut être ajustée en faisant varier la longueur du clip, et les résultats expérimentaux montrent des performances améliorées par rapport à divers modèles de base.
