Dissertação
Learning-based Point Cloud Geometry Coding: Integrating Sampling Tools for Increased RD Performance EVALUATED
As Nuvens de Pontos são um dos modelos de representação visual tridimensional mais versáteis da atualidade, uma vez que são capazes de dar ao utilizador os seis graus de liberdade necessários para criar experiências verdadeiramente imersivas. Contudo, dado que as nuvens de pontos precisam de um elevado número de pontos para conseguir criar a ilusão de superfícies contínuas e detalhadas, o uso destes modelos só é possível com a utilização de codificação eficiente, processo responsável por reduzir a capacidade necessária para armazenar ou transmitir nuvens de pontos com um dado nível de qualidade. O objetivo desta Tese de Mestrado é o desenvolvimento de uma solução de codificação de nuvens de pontos baseada em aprendizagem profunda que beneficie do uso de técnicas de amostragem para melhoria do seu desempenho de compressão. Para alcançar este objetivo, esta tese começa por rever alguns codificadores de geometria das nuvens de pontos e algumas das técnicas de amostragem mais relevantes. Posteriormente, é apresentada a solução de codificação com ferramentas de amostragem integradas, nomeadamente super-resolução. Além disso, a solução de codificação é complementada com a adição de um mecanismo de controlo de débito com vista a minimizar a complexidade da operação de otimização dos respectivos parâmetros de codificação. Finalmente, apresentam-se as conclusões relativas ao trabalho desenvolvido e perspectivas de trabalho futuro. A solução de codificação desenvolvida nesta tese foi proposta e adoptada pelo JPEG como o Modelo de Verificação inicial para o desenvolvimento da norma JPEG Pleno: Codificação de Nuvens de Pontos baseada em Aprendizagem.
novembro 14, 2022, 11:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Fernando Manuel Bernardo Pereira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedrático