Andrea Donia
Codifica video con codificatori basati su Machine Learning = Video encoding with Machine Learning-based codecs.
Rel. Enrico Masala. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2026
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (11MB) | Preview |
Abstract
Questa tesi analizza in modo sperimentale il compromesso rate-distortion nella compressione video, confrontando codec tradizionali (AVC/H.264 e HEVC/H.265) e codec neurali di nuova generazione, con particolare attenzione a EEV e DCVC. Dopo aver definito una pipeline di test riproducibile su server GPU, le sequenze di riferimento sono state codificate e decodificate su più punti operativi, misurando il bitrate effettivo dai bitstream e la qualità tramite PSNR e VMAF su rappresentazioni YUV non compresse, in modo coerente con gli strumenti di valutazione standard. Per EEV è stata adottata una strategia modulare che preserva il comportamento "puro" del framework, isolando la strumentazione di misura per evitare bias sperimentali; sono inoltre discusse criticità operative legate a vincoli implementativi.
Per DCVC, oltre alle curve rate-distortion, è stata valutata la complessità computazionale misurando tempi medi di codifica/decodifica e utilizzo di VRAM sia in Full HD sia in uno scenario di scaling 4K
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
URI
![]() |
Modifica (riservato agli operatori) |
