Original title:
Komprese 360° obrazu založená na hlubokém učení
Translated title:
Deep Learning based compression of 360° images
Authors:
Budáč, Adam ; Boleček, Libor (referee) ; Kufa, Jan (advisor) Document type: Master’s theses
Year:
2023
Language:
slo Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[slo][eng]
Táto diplomová práca sa zaoberá kompresiou 360° obrazu založenou na hlbokom učení. V práci je popísaná reprezentácia a deformácie 360° obrazu. Ďalej sú popísané konvenčné kompresné metódy a metódy využívajúce strojové a hlboké učenie a hlboké neurónové siete na kompresiu 360° obrazu. Súčasťou práce je vytvorenie datasetu desiatich 360° obrázkov a návrh frameworku umožňujúceho kompresiu obrázkov konvenčnými kodekmi a algoritmami založenými na strojovom a hlbokom učení a hlbokých neurónových sieťach. Obrázky z datasetu sú skomprimované piatimi konvenčnými kodekmi a štyrmi algoritmami hlbokého učenia. Kvalita komprimovaných obrázkov je zmeraná siedmymi objektívnymi metrikami a subjektívnym testom. Výsledkom experimentu je, že konvenčné metódy dosiahli vyššiu kvalitu pri kompresii, ako metódy využívajúce hlboké učenie a výpočtová náročnosť konvenčných metód je nižšia v porovnaní s metódami využívajúce hlboké učenie.
This diploma thesis deals with 360° image compression based on deep learning. The thesis describes the representation and deformations of a 360° image. It then describes conventional compression methods and methods using machine learning, deep learning and deep neural networks for 360° image compression. Part of the work is the creation of a dataset, which consists of ten 360° images, and the design of a framework that enables image compression using conventional codecs and algorithms based on machine learning, deep learning, and deep neural networks. Images from the dataset are compressed using five conventional codecs and four deep learning algorithms. The quality of compressed images is measured using seven objective metrics and one subjective test. As a result of the experiment, the conventional methods achieved higher compression quality than the methods using deep learning, and the computational complexity of the conventional methods is lower compared to the methods using deep learning.
Keywords:
360° image compression; dataset; deep learning; framework; image quality assessment; machine learning; objective and subjective quality metrics; Python
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/209972