Soutenance de thèse de Marouane TLIBA

L'avancement rapide des technologies d'imagerie et la disponibilité de dispositifs d'acquisition abordables ont profondément transformé les modes de vie humains, permettant une capture détaillée et la mémorisation de nos interactions avec le monde. Les utilisateurs contemporains exigent de plus en plus des représentations interactives et de haute qualité du contenu numérique pour favoriser des expériences plus engageantes, impactant de manière significative des domaines tels que la vision par ordinateur, la robotique et les systèmes de communication de nouvelle génération. Les nuages de points 3D ont émergé comme un nouveau format pour représenter des scènes et des objets en 3D. Les nuages de points capturent des détails précis et fournissent des informations géométriques riches. Cependant, les exigences de données élevées pour représenter des modèles 3D posent des défis significatifs, nécessitant des schémas de compression efficaces pour gérer, transmettre et rendre les nuages de points. Cela peut introduire des bruits et des artefacts importants. Ces imperfections peuvent entraîner des nuages de points incomplets ou corrompus, réduisant l'engagement et l'immersion des utilisateurs. Des systèmes de transmission robustes et des mécanismes de contrôle de la qualité sont cruciaux pour préserver l'intégrité des données. Ainsi, l'évaluation de la qualité perceptuelle des nuages de points 3D est essentielle pour garantir une haute qualité d'expérience (QoE) pour les utilisateurs. Cette thèse se concentre sur le développement d'architectures d'apprentissage profond et l'optimisation de l'apprentissage de représentations pour l'évaluation objective de la qualité perceptuelle des nuages de points 3D. L'objectif est de développer des modèles qui prédisent avec précision la qualité perçue par l'homme, permettant des évaluations automatisées et évolutives. Les principaux défis incluent l'évaluation de la qualité perceptuelle des données de nuages de points 3D natifs, le prétraitement efficace, la sélection de biais inductifs appropriés et l'équilibre entre l'abstraction de la représentation globale et les détails locaux perceptuels importants. En relevant ces défis, cette recherche vise à améliorer la QoE grâce à des méthodes robustes et fiables pour l'évaluation de la qualité des nuages de points 3D. L'intégration de l'évaluation de la qualité et de la modélisation de l'attention visuelle dans le développement des technologies de nuages de points 3D est important pour créer des expériences plus fiables et de haute qualité qui répondent aux exigences évolutives des utilisateurs.