基于图的动态三维点云序列压缩
本文提出了一种用于三维动态点云属性的完整压缩框架,主要关注于优化交叉编码。通过使用先前提出的内部编码和离线训练的 λ-Q 模型,我们从速率失真优化中确定最佳编码模式。实验结果表明,与竞争性的动态点云压缩方法相比,平均比特率降低了约 17%。
Aug, 2019
本研究提出了一种新的方法,使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络,实现对经过重压缩的 3D 视频点云数据的提升和恢复,同时通过更少的参数达到可比较的重建质量,适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。
Jun, 2023
本文提出了一种高效和可扩展的算法,使用多级分层基于图的方法结合深度,颜色和时间信息进行三维 RGBD 点云的分割,证明了深度和颜色分离进行多级分割可以获得更好的结果,并具有增量处理能力,能够对视频进行任意长度的处理。
Jan, 2018
本文提出了一种通过基于分层块匹配的帧内预测模块学习压缩动态点云(DPC)几何信息的压缩框架,并且在 KNN-attention 块匹配和多尺度光流的压缩方面使用了完全分解的深度熵模型。实验表明该框架优于先前的最先进方法,同时也优于 MPEG 标准 V-PCC v18 在帧间低延迟模式下的效果。
May, 2023
通过将动态 3D 点云序列作为 2D 视频进行重新组织,我们提出了一种名为 SPCV(Structured Point Cloud Videos)的新型通用表示方法,利用其结构化的特性,使得现有的 2D 图像 / 视频技术能够高效有效地处理和分析无结构的 3D 点云序列,以及解决包括动作识别、时间插值和压缩在内的 3D 点云序列处理问题。
Mar, 2024
本篇论文介绍了基于学习的卷积变换和均匀量化的静态点云数据几何压缩方法,并将解码过程视为点云占用图的二元分类。该方法在 Microsoft Voxelized Upper Bodies 数据集上表现优异,平均 BDBR 节省率达 51.5%,且能够在低比特率下仍产生高分辨率的输出。
Mar, 2019
本文提出了一种同时定位与地图构建方法,能够在动态环境下消除移动物体的影响,该方法利用地图点之间的相关性将静态场景点与移动物体点分组,并依此进行运动估计,实验证明该方法能在动态环境下保证鲁棒和准确性。
Nov, 2018
本文提出了一种快速图形化去噪方法(FGBD),用于大规模点云的实时去噪,通过快速图形构建、快速噪声估计以及低成本滤波器选择,可以在维持准确性的同时大幅减少处理时间。
Jan, 2024
本文提出了一种基于仿射子空间模型的特征运动物体分割新框架,该方法通过稀疏 PCA 表示原始轨迹,通过自动搜索最近邻点的稀疏表达来实现局部子空间分离,并提出了一种误差估计来处理缺失数据问题,最后通过谱聚类方法将不同的运动分割出来,实验证明该方法在精度和运算时间上优于其他运动分割方法。
Jan, 2017