Dissertação
End-to-End Learning-based Point Cloud Coding with Super-Resolution EVALUATED
A comunicação multimédia moderna procura oferecer experiências cada vez mais imersivas e realistas. Uma forma eficaz de alcançar este objetivo é a representação virtual de espaços tridimensionais, permitindo aos utilizadores explorar seis graus de liberdade de movimento. Neste contexto, as Nuvens de Pontos destacam-se pela sua versatilidade e simplicidade. Contudo, o elevado número de pontos necessário para a representação fiel de uma superfície exige algoritmos de codificação eficientes para reduzir o débito binário necessário ao armazenamento e transmissão, mantendo a qualidade adequada. Nos últimos anos, surgiram soluções de codificação baseadas em inteligência artificial, como a aprendizagem profunda (AP), que foram integradas na norma JPEG Pleno para codificação de nuvens de pontos (JPEG Pleno PCC). Para alcançar maior eficiência, são frequentemente aplicadas técnicas de subamostragem, o que reduz a qualidade da reconstrução. Para mitigar estas perdas, recorrem-se a técnicas de super-resolução após a descodificação, que aumentam a qualidade ao adicionar pontos e suavizar a superfície reconstruída. Esta Tese de Mestrado propõe melhorar a codificação de geometria de Nuvens de Pontos na norma JPEG Pleno PCC, aplicando uma otimização ponta-a-ponta que integra codificação e super-resolução. Duas abordagens são exploradas: no domínio “descomprimido”, onde a super-resolução é aplicada após a descodificação, e no domínio “comprimido”, onde a super-resolução atua diretamente sobre a nuvem codificada, reduzindo artefactos da descodificação e a complexidade geral do modelo. Estas abordagens são testadas e avaliadas para validar os seus benefícios.
novembro 20, 2024, 10:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Fernando Manuel Bernardo Pereira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedrático
