Show simple item record

Efficient Learning Based Image Coding



dc.contributor.advisorFliegel Karel
dc.contributor.authorDaniel Šafář
dc.date.accessioned2021-06-09T22:53:07Z
dc.date.available2021-06-09T22:53:07Z
dc.date.issued2021-06-09
dc.identifierKOS-1064879367805
dc.identifier.urihttp://hdl.handle.net/10467/94804
dc.description.abstractTato diplomová práce se věnuje efektivní kompresi obrazu s využitím strojového učení. Nejprve je představen stručný úvod do neuronových sítí a strojového učení, na který navazuje podrobnější rozbor jejich využití v kompresi obrazu, a to od nejstarších pokusů až po současné aktivity JPEG AI. Součástí teoretické části práce je také přehled dostupných softwarových implementací a nástrojů hlubokého učení. Dále je zařazena kapitola věnující se latentní reprezentaci obrazových dat, která z komprese založené na učení vychází. Významnou částí práce je provedení experimentu porovnávajícího konvenční obrazové kodeky (JPEG, JPEG 2000, HEVC Intra a JPEG XL) a několik metod založených na učení zejména s ohledem na kompresní účinnost. Porovnání je provedeno na vybraných testovacích datech pomocí několika metrik (PSNR, MS-SSIM, VIFP, PSNR-HVS-M, FSIMc a VMAF), přičemž výstupem jsou R–D (Rate–Distortion) křivky a integrální porovnání kompresní účinnosti kodeků pomocí Bjøntegaardovy metriky.cze
dc.description.abstractThis master thesis is devoted to efficient image compression with the use of maachine learning. A brief introduction to neural networks and machine learning is presented, then more detailed analysis on the utilization of them in image compression is conducted, namely from the first attempts to the context of ongoing JPEG AI activities. An overview of current available software implementations and deep learning tools is also provided in the theoretical part of the thesis. Then, there is a chapter devoted to latent representation of image data, which is based on learning based image compression. The key part of the thesis is an experiment comparing conventional image codecs (JPEG, JPEG 2000, HEVC Intra and JPEG XL) and several learning based methods with emphasis on compression efficiency. The comparison is performed on selected test data with several metrics (PSNR, MS-SSIM, VIFP, PSNR-HVS-M, FSIMc and VMAF). The output of the experiment are the R–D (Rate–Distortion) curves and integral comparison of compression efficiency based on Bjøntegaard metric.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectstrojové učenícze
dc.subjectkomprese obrazucze
dc.subjectneuronové sitěcze
dc.subjectJPEG AIcze
dc.subjectlatentní reprezentacecze
dc.subjectMachine Learningeng
dc.subjectImage Compressioneng
dc.subjectNeural Networkseng
dc.subjectJPEG AIeng
dc.subjectLatent Representationeng
dc.titleEfektivní kódování obrazu založené na učenícze
dc.titleEfficient Learning Based Image Codingeng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereePolák Ladislav
theses.degree.disciplineAudiovizuální technika a zpracování signálůcze
theses.degree.grantorkatedra radioelektronikycze
theses.degree.programmeElektronika a komunikacecze


Files in this item







This item appears in the following Collection(s)

Show simple item record