Moderne Videocodierverfahren wie HEVC (auch bekannt als H.265) und dessen Nachfolger VVC (H.266) basieren auf dem Prinzip der blockbasierten hybriden Videocodierung. Neuerdings werden vermehrt neuronale Netzwerke eingesetzt um Videos und Bilder zu codieren. Vollständig auf neuronale Netzwerke basierende Videocodecs bestehen in der Regel aus einem auf Datenrate und Rekonstruktionsfehler optimierten Autoencoder mit Quantisierung im Latent Space.
Mögliche Aufgabengebiete für eine Studien- oder Abschlussarbeit umfassen die Erweiterung bestehender traditionelle Videocodecs mittels neuronaler Netzwerke und auch die Implementierung von Codecs die vollständig auf neuronalen Netzen basieren. Dies ist eine sehr interessante Aufgabe, da man einerseits die Möglichkeit hat moderne Machine Learning Frameworks wie pyTorch kennenzulernen, anderseits lernt man auch Details bekannter Videocodecs kennen, die die meisten nicht kennen. Wenn du dich für Machine-Learning und/oder Videocodierung interessierst und deine theoretischen Kenntnisse gerne in der Praxis umsetzten möchtest, dann freue ich mich über deine Nachricht.
Gute Programmierkenntnisse in Python sind Voraussetzung. Gute Kenntnisse aus den Vorlesungen Machine Learning und Quellencodierung sind wünschenswert. Erste Erfahrungen mit Tensorflow oder PyTorch sind hilfreich.
Bei Fragen oder Interesse bitte gerne melden. Details können dann persönlich besprochen werden.
Ansprechpartner: Martin Benjak
