Compressão de Point Clouds baseada em redes neurais profundas com limitação de distorção

Abstract

A compressão da geometria de dados tridimensionais, como nuvens de pontos (Point Clouds), utilizando redes neurais profundas tem ganhado destaque na literatura recente devido aos significativos ganhos em eficiência de compressão e qualidade na reconstrução dos dados. No entanto, uma limitação recorrente dessas abordagens é a necessidade de treinar múltiplos modelos para atingir diferentes pontos de operação, o que dificulta sua aplicação prática em cenários reais. Esta monografia propõe uma arquitetura baseada em autoencoders variacionais (VAE), combinada com uma função Loss modificada, com o objetivo de limitar explicitamente a distorção dos blocos reconstruídos dentro de uma faixa de erro predefinida. A proposta visa tornar os modelos mais genéricos e reutilizáveis, reduzindo a necessidade de diversos treinamentos independentes. Os experimentos realizados demonstram que essa abordagem é viável, permitindo a reconstrução de nuvens de pontos com qualidade satisfatória e taxas de compressão competitivas quando comparadas a codecs tradicionais, mesmo com as perdas esperadas decorrentes da restrição adicional de distorção. Os resultados evidenciam o potencial da arquitetura para aplicações práticas, ao mesmo tempo em que destacam possíveis direções para otimizações futuras.