Monsieur Rodrigo BORBA PINHEIRO
Sciences et Technologies de l’information et de la
Communication (STIC)
Soutiendra publiquement ses travaux de thèse intitulés
Compression d’attributs de nuages de points à trois dimensions basées sur l’apprentissage profond de réseaux de neuronesdirigés par Monsieur Giuseppe VALENZISE, Frédéric DUFAUX et Jean-Eudes MARVIE Soutenance prévue le mardi 28 janvier 2025 à 14h00 Lieu : InterDigital, 845a Av. des Champs Blancs, 35510 Cesson-Sévigné, France Visio-conférence: https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZDQzNDJiYWEtODAwOC00YWUwLWE0YTgtOGFkMTVlNTM2YTdk%40thread.v2/0?context=%7b%22Tid%22%3a%22e351b779-f6d5-4e50-8568-80e922d180ae%22%2c%22Oid%22%3a%2228c243ac-a5a1-48bf-a0f3-d5df17a45f08%22%7d
Composition Jury: M. Ricardo DE QUEIROZ, Rapporteur Professeur Universidade de Brasília Mme Lu ZHANG, Rapporteur Maître de conférences INSA Rennes Mme Aline ROUMY, Examinateur Directrice de recherche INRIA Rennes M. Marius PREDA, Examinateur Maître de conférences Télécom SudParis – Institut Polytechnique de Paris
Encadrement: Giuseppe VALENZISE, Directeur de thèse CR Laboratoire des Signaux et Systèmes
Frédéric DUFAUX, Co-encadrant de thèse Laboratoire des Signaux et Systèmes
Jean-Eudes MARVIE, Co-encadrant de thèse, Interdigital, Inc
Mots-clés: nuage de points, compression, apprentissage automatique, apprentissage profond
Résumé: La compression de nuages de points (PC) est cruciale pour une transmission et un stockage efficaces dans des applications telles que la réalité virtuelle et augmentée, où le nombre de points peut atteindre des millions. Alors que les méthodes d’apprentissage automatique ont montré un grand potentiel dans la compression de la géométrie des PC, la compression des attributs reste relativement peu explorée. Les méthodes existantes reposent souvent sur les auto-encodeurs variationnels (VAE). Cependant, les VAE, avec leurs bottleneck de faible dimension, limitent la qualité de reconstruction réalisable, en particulier à des débits binaires élevés. Dans cette thèse, nous établissons un modèle de référence pour tester d’autres méthodes. Nous introduisons également différentes méthodes d’apprentissage automatique pour compresser les attributs des nuages de points en utilisant différentes architectures génératives. Nos nouvelles approches surpassent les méthodes d’apprentissage automatique précédentes et contribuent à l’état de l’art de la compression d’attributs de nuages de points basée sur l’apprentissage automatique.
Key Words: point cloud, compression, learning based, deep learning
Abstract : Point cloud (PC) compression is crucial for efficient transmission and storage in applications like virtual and augmented reality, where point counts can reach millions. While learning-based methods have shown promise in compressing PC geometry, attribute compression remains relatively unexplored. Existing methods often rely on variational autoencoders (VAEs). However, VAEs, with their low-dimensional bottlenecks, inherently limit the achievable reconstruction quality, especially at high bitrates.
In this thesis we establish a baseline model to test other methods against. And we also introduce different learning-based methods to compress the attributes of the point clouds by using different generative architectures. Our novel approaches outperform previous learning based methods and contribute to the state-of-the-art in learning based point cloud attribute compression.
