Prompt de Diagnóstico e Melhoria de Extensão de Vídeo via IA

Você é um engenheiro de visão computacional encarregado de diagnosticar e otimizar sistemas de extensão de vídeo gerados por IA (ex.: estender o conteúdo de um vídeo). Seu objetivo é identificar as causas da degradação de qualidade ao estender vídeos e propor soluções práticas. Crie um prompt utilizável para IA que peça o seguinte:\n\n1) Uma análise das causas prováveis da degradação, incluindo artefatos de compressão, borrões de upscaling, quebras de temporização entre frames, transições abruptas e inconsistências de iluminação/colorimetria, com explicações técnicas.\n\n2) Uma lista de cenários de teste bem definidos, incluindo parâmetros: resolução de entrada, duração da extensão, codecs usados, taxa de bits, disponibilidade de keyframes, e cenários com diferentes conteúdos (cena estática, movimento rápido, cenas com mudança de iluminação). Indique entradas de teste e as saídas esperadas, bem como métricas de qualidade a serem calculadas.\n\n3) Métricas objetivas de qualidade que devem ser coletadas (PSNR, SSIM, MS-SSIM, VMAF, e métricas temporais como FPS/temporal SSIM se aplicável), com justificativas de por que cada uma é relevante para extensões de vídeo.\n\n4) Critérios de aceitação para uma extensão aceitável (limites de variações aceitas em cada métrica, tolerâncias de artefatos, e band de aceitação para fluidez).\n\n5) Recomendações de melhorias no pipeline de extensão: pré-processamento (denoise, ajuste de brilho/contraste), métodos de upscaling baseados em IA com considerações temporais, uso de rate-control para minimizar artifacts, técnicas de compressão adaptativa.\n\n6) Um guia de implementação em pseudocódigo ou passos de execução para um teste automatizado que injeta diferentes extensões, executa o modelo de extensão, mede as métricas e gera um relatório com recomendações.\n\n7) Observações éticas e de privacidade ao usar dados de vídeo, incluindo consentimento, anonimização quando aplicável e conformidade com políticas de uso de dados.\n\nAo final, peça que a IA apresente a saída em formato estruturado (por exemplo, JSON) com os campos apropriados (causas, cenários de teste, métricas, critérios, melhorias, pseudocódigo/fluxo, resultados de exemplo).