| Título: | Learning-based quality assessment of 3D media |
| Autor(es): | Carvalho, Arthur Henrique Silva |
| Orientador(es): | Freitas, Pedro Garcia |
| Assunto: | Nuvem de pontos
Realidade virtual |
| Data de apresentação: | 12-Dez-2025 |
| Data de publicação: | 1-Jun-2026 |
| Referência: | CARVALHO, Arthur Henrique Silva. Learning-based quality assessment of 3D media. 2025. 148 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2025. |
| Resumo: | Mídias volumétricas, como nuvens de pontos e malhas, viabilizam experiências como realidade virtual e aumentada, mas depende de compressão com perdas, o que pode degradar a qualidade do conteúdo. Nesse contexto, medir a qualidade desses conteúdos tal como percebido pelo sistema visual humano se torna um problema crucial. Esta monografia explora esse problema e desenvolve métricas de qualidade para esses mídias. Este trabalho investiga três paradigmas complementares: (1) abordagens baseadas em projeção, que renderizam o conteúdo tridimensional em diferentes pontos de vista bi dimensionais e aplicam métricas estabelecidas de qualidade de imagens, (2) abordagens baseadas em descritores que analisam a geometria e a a cor através de Análise de Compo nentes Principais, e (3) abordagens híbridas, que combinam tanto abordagens baseadas em projeções quanto descritores para capturar simultaneamente aparência e estrutura. Tal investigação levou à produção de quatro grandes artefatos principais. (1) Uma métrica para nuvens de pontos baseada em projeção. Proposta neste trabalho, tal métrica atinge alta correlação com escores subjetivos. (2) “PointPCA+RS”, uma reimplementação da métrica para nuvens de pontos chamada PointPCA+. Essa reimplementação é focada em alto desempenho computacional. (3) PointPCA++, uma métrica híbrida para nuvens de pontos que une tanto técnicas baseadas em projeções quanto descritores, obtendo maior robustez a diferentes distorções. (4) MAPPE, uma métrica para malhas inspirada na abordagem desenvolvida na PointPCA++, mas estendendo a capacidade de avaliação de qualidade para dados de malhas. Em bases públicas, as métricas propostas alcançam o Coeficiente de Correlação de Postos de Spearman acima de 0,90 e, no caso de malhas, superam métodos do estado da arte anteriores com ganhos de mais de duas ordens de magnitude em termos de economia de tempo de processamento. Esses resultados indicam que métricas propostas para mídia volumétrica podem ser ao mesmo tempo perceptualmente fidedignas e viáveis para fluxos de trabalho imersivos. |
| Abstract: | Volumetric media such as Point Clouds and meshes are the basis of emerging virtual and augmented reality experiences, but practical delivery relies on lossy compression that can visibly degrade quality. This monograph develops full-reference quality assessment meth ods, which compare a distorted asset against its pristine reference, to estimate perceived quality with minimal computational cost. The goal is to give practitioners tools that reflect human opinion while remaining fast enough for real-world pipelines. Weexplore three complementary paradigms. Projection-based approaches render volu metric content into orthographic cubemaps and apply mature deep Image Quality Assess ment metrics to the resulting images. Descriptor-based approaches analyze local geome try and color through Principal Component Analysis-driven statistics. Hybrid approaches fuse both views to capture appearance and structure simultaneously. Four main results stem from this exploration. (i) A projection-based Point Cloud metric that attains high correlation with subjective scores using deep Image Quality As sessment on post-processed cubemaps. (ii) PointPCA+RS, a Rust reimplementation of PointPCA+ focused on high computational performance, delivering up to 29× faster run time and 33× lower memory usage while matching accuracy. (iii) PointPCA++, a hybrid Point Cloud metric that joins projection features with optimized Principal Component Analysis-based descriptors to improve robustness across distortion types. (iv) Mesh As sessment via Point Cloud and Projection Estimators, a mesh metric that unifies a custom Rust renderer, a Triangular Area-Adaptive Point Sampling strategy, projection scoring, and an efficient PointPCA3 descriptor module for dense mesh-derived Point Clouds. Across public datasets, the proposed metrics achieve Spearman Rank Correlation Co efficient above 0.90 and, in the mesh case, outperform prior hybrid methods while being over two orders of magnitude faster than the closest baseline. These results indicate that perceptually aligned, full-reference volumetric quality assessment can be both accurate and practical for immersive media workflows. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025. |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
| Aparece na Coleção: | Engenharia da Computação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
