Komprese objemných volumetrických dat pro interaktivní zobrazování s využitím hlubokého učení

Abstract

Tato práce se zabývá návrhem a implementací řešení pro ztrátovou kompresi rozsáhlých volumetrických dat s využitím hlubokého učení. Řešení využívá implicitní neurální reprezentaci s kódováním vstupů pomocí víceúrovňové hašovací mřížky pro kompresi volumetrických dat rozdělených do bloků. Navržená struktura dat navíc umožňuje uchovávat komprimované bloky s několika úrovněmi komprese současně. Bloková reprezentace snižuje nároky na výpočetní hardware a spolu s více úrovněmi komprese umožňuje využití řešení i pro streamování volumetrických dat. Řešení také zahrnuje automatický výběr parametrů komprese dle uživatelem požadované výstupní kvality za využití navržené metriky popisující složitost vstupních dat. Dále se tato práce zabývá integrací vytvořeného řešení pro kompresi do již existujícího systému pro streamování a zobrazování volumetrických dat a jeho rozšířením o realistické zobrazování na GPU. Výsledné řešení prokázalo vysokou účinnost navržené komprese při zachování vysoké věrnosti reprezentace. Byl také prokázán vysoký potenciál navržené komprese pro streamování volumetrických dat, kdy vytvořené řešení umožňuje realistické zobrazování rozsáhlých datasetů uložených na serveru při několikanásobně nižší síťové zátěži oproti streamování bez použití komprese.

This thesis deals with the design and implementation of a solution for lossy compression of large volumetric datasets using deep learning. The solution uses an implicit neural representation with input encoding through multi-resolution hash grids to compress volumetric data divided into blocks. Moreover, the proposed data structure allows storing compressed blocks across multiple compression levels simultaneously. The block representation reduces computational hardware requirements and, together with multiple compression levels, also enables the solution to be used for streaming. The solution also contains automatic selection of compression parameters based on the user's desired output quality, using a~proposed metric that describes the complexity of the input data. Furthermore, this work focuses on integrating the developed compression solution into an existing system for streaming and displaying volumetric data and extending it with realistic GPU rendering. The resulting solution demonstrated high efficiency of the proposed compression while maintaining high fidelity of representation. The high potential of the proposed compression for streaming volumetric datasets was also demonstrated, as the developed solution enables realistic rendering of large datasets stored on a server with significantly lower network load compared to streaming without compression.