Revising the use of deep learning for effective point clouds quality assessment
L'avancement rapide des technologies d'imagerie et la disponibilité de dispositifs d'acquisition abordables ont profondément transformé les modes de vie humains, permettant une capture détaillée et la mémorisation de nos interactions avec le monde. Les utilisateurs contemporains exige...
Đã lưu trong:
| Tác giả chính: | |
|---|---|
| Tác giả khác: | , , , , , |
| Định dạng: | Thèse numérique |
| Ngôn ngữ: | Anglais |
| Được phát hành: |
2024.
|
| Những chủ đề: | |
| Truy cập trực tuyến: | Accès au texte intégral https://theses.univ-orleans.fr/public/2024ORLE1079_va.pdf http://www.theses.fr/2024ORLE1079/abes https://theses.hal.science/tel-05037631 |
| Chú thích: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire) Autre(s) contribution(s) : Patrick Le Callet (Président du jury) ; Frédéric Dufaux (Membre(s) du jury) ; Lu Zhang, Mylene C. Q. Farias (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Révision de l'utilisation de l'apprentissage profond pour une évaluation efficace de la qualité des nuages de points |
| Tóm tắt: | L'avancement rapide des technologies d'imagerie et la disponibilité de dispositifs d'acquisition abordables ont profondément transformé les modes de vie humains, permettant une capture détaillée et la mémorisation de nos interactions avec le monde. Les utilisateurs contemporains exigent de plus en plus des représentations interactives et de haute qualité du contenu numérique pour favoriser des expériences plus engageantes, impactant de manière significative des domaines tels que la vision par ordinateur, la robotique et les systèmes de communication de nouvelle génération.Les nuages de points 3D ont émergé comme un nouveau format pour représenter des scènes et des objets en 3D. Les nuages de points capturent des détails précis et fournissent des informations géométriques riches. Cependant, les exigences de données élevées pour représenter des modèles 3D posent des défis significatifs, nécessitant des schémas de compression efficaces pour gérer, transmettre et rendre les nuages de points. Cela peut introduire des bruits et des artefacts importants. Ces imperfections peuvent entraîner des nuages de points incomplets ou corrompus, réduisant l'engagement et l'immersion des utilisateurs. Des systèmes de transmission robustes et des mécanismes de contrôle de la qualité sont cruciaux pour préserver l'intégrité des données. Ainsi, l'évaluation de la qualité perceptuelle des nuages de points 3D est essentielle pour garantir une haute qualité d'expérience (QoE) pour les utilisateurs. Cette thèse se concentre sur le développement d'architectures d'apprentissage profond et l'optimisation de l'apprentissage de représentations pour l'évaluation objective de la qualité perceptuelle des nuages de points 3D. L'objectif est de développer des modèles qui prédisent avec précision la qualité perçue par l'homme, permettant des évaluations automatisées et évolutives. Les principaux défis incluent l'évaluation de la qualité perceptuelle des données de nuages de points 3D natifs, le prétraitement efficace, la sélection de biais inductifs appropriés et l'équilibre entre l'abstraction de la représentation globale et les détails locaux perceptuels importants. En relevant ces défis, cette recherche vise à améliorer la QoE grâce à des méthodes robustes et fiables pour l'évaluation de la qualité des nuages de points 3D. L'intégration de l'évaluation de la qualité et de la modélisation de l'attention visuelle dans le développement des technologies de nuages de points 3D est important pour créer des expériences plus fiables et de haute qualité qui répondent aux exigences évolutives des utilisateurs. The rapid advancement of imaging technologies and the availability of affordable acquisition devices have profoundly transformed human lifestyles, enabling detailed capture and memorialization of our interactions with the world. Contemporary users increasingly demand high-quality, interactive depictions of digital content to foster more engaging experiences, significantly impacting fields such as computer vision, robotics, and next-generation communication systems.3D point clouds have emerged as a new format for representing 3D scenes and objects. Point clouds capture precise details and provide rich geometric information, making them invaluable for detailed and accurate 3D representations. However, the high data requirements for representing 3D models pose significant challenges, necessitating efficient compression schemes to manage, transmit, and render point clouds. This later can introduce important noises and artifacts. These imperfections can lead to incomplete or corrupted point clouds, reducing user engagement and immersion. Robust transmission systems and quality control mechanisms are crucial to preserve data integrity. Thus, Evaluating the perceptual quality of 3D point clouds is essential for ensuring a high Quality of Experience (QoE) for users.This thesis focuses on developing deep learning architectures and optimizing representation learning for objective perceptual quality assessment of 3D point clouds. The goal is to develop models that accurately predict human-perceived quality, enabling automated and scalable evaluations. Key challenges include evaluating the perceptual quality of native 3D point cloud data, efficient preprocessing, selecting appropriate inductive biases, and balancing global representation abstraction with important perceptual local details. By addressing these challenges, this research aims to enhance QoE through robust and reliable methods for 3D point cloud quality assessment. Integrating quality assessment and visual attention modeling into the development of 3D point cloud technologies is crucial for creating more reliable, high-quality experiences that meet the evolving demands of users. |
|---|---|
| Mô tả sách: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire) Autre(s) contribution(s) : Patrick Le Callet (Président du jury) ; Frédéric Dufaux (Membre(s) du jury) ; Lu Zhang, Mylene C. Q. Farias (Rapporteur(s)) |
| Định dạng: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |