Análisis y mejora de un modelo de calidad de imágenes virtuales para sistemas de video multivista

Las tecnologías de video 3D están avanzando mucho en los últimos años, siendo cada vez mayor el abanico de posibilidades que ofrecen y más económicas sus plataformas de visualización. Por el contrario, las pantallas estereoscópicas no han terminado de asentarse en el mercado y en los hogares de los usuarios. Problemas en la visualización como la fatiga visual o la necesidad de utilizar unas gafas para poder disfrutar del contenido son algunas de sus causas. Como solución, cada día se están mejorando los sistemas de video autoestereoscópico, es decir, de visualización 3D sin gafas, como es el caso del Super Multiview Video (SMV). El SMV es un sistema de video multivista 3D que permite al usuario ver la escena desde distintos puntos de vista. Sin embargo, este tipo de video es muy costoso de producir, tanto económica como computacionalmente, ya que será necesaria la captura, codificación y transmisión de una cantidad de vistas muy grande. Como solución a este problema, se propone la síntesis de vistas virtuales a partir de otras reales de la misma escena, de manera que se pueda prescindir de algunas cámaras y se genere el mismo contenido ahorrando en la cantidad de información a transmitir. Sin embargo, la síntesis de estas vistas puede dar problemas en la visualización, ya que se pueden generar artefactos (errores) en las vistas sintetizadas que empeoran la percepción. Para solucionar estos problemas se proponen modelos que permiten predecir la calidad del video sintetizado a partir de características de la escena, como es la información de profundidad o la distancia focal. Uno de estos modelos es el MVPDM (Multiview Perceptual Disparity Model), que propone la predicción de determinadas medidas de calidad, objetivas o subjetivas a partir de la disparidad perceptual, un parámetro que modela la percepción subjetiva del usuario a partir de la disparidad de la escena. Basado en este modelo tenemos trabajos que se encargan de realizar una predicción de la calidad de la imagen en vistas virtuales a partir de ésta disparidad perceptual. Estos modelos de predicción de calidad han sido probados para una cantidad de datos limitada, obteniendo buenos resultados. Nuestro objetivo en este TFG será el de aumentar los datos de entrenamiento de este modelo, obteniendo una mayor cantidad y variedad de los datos para ver cómo generaliza el modelo para estos nuevos datos. En primer lugar, hemos aumentado los datos en el espacio y en el tiempo, y hemos visualizado la variación del PSNR y disparidad perceptual en cada uno. Después, hemos realizado un análisis similar al del trabajo anterior para los nuevos datos de entrenamiento, y hemos comparado los resultados con los del trabajo previo, observando resultados similares y concluyendo que el modelo es genérico para una cantidad de datos mayor y más variada