关于 “使用区域自适应分层变换对三维点云进行压缩” 的评论
本文提出了一系列改进点云压缩的方法,包括使用尺度先验模型进行熵编码、采用更深的变换、不同的 focal loss 权重、最优解码阈值和连续模型训练,并通过实验验证这些方法可以带来较好的 BD-PSNR 提升。
Jun, 2020
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
我们通过一种体积方法研究了三维点云属性的压缩:假设点云几何在编码器和解码器都已知,连续属性函数的参数 θ 被量化为 ḣ θ 并进行编码,以便可以在解码器上以已知的三维点 xᵢ 恢复离散样本 fₕₑₐₜ θ (xᵢ)。具体而言,我们考虑一个嵌套函数子空间序列 F⁽ᵖ⁾ₗ₀ ⊆ ⋯ ⊆ F⁽ᵖ⁾ₗ,其中 F⁽ᵖ⁾ₗ是由 p 阶 B - 样条基函数张成的函数族,fₗˡ⁻ ᵢ * 是 f 在 F⁽ᵖ⁾ₗ 上的投影,并编码为低通系数 Fˡ⁻ ᵢ *,gₗˡ⁻ ᵢ * 是正交子空间 G⁽ᵖ⁾ₗ 上的残差函数(其中 G⁽ᵖ⁾ₗ ⊕ F⁽ᵖ⁾ₗ = F⁽ᵖ⁾ₗ₊₁),并编码为高通系数 Gˡ⁻ ᵢ *。本文中,为了在 p=1 情况(RAHT (1))上提高编码性能,我们研究了在 l 水平上用 l+1 水平的 fˡ⁺ ᵢ * 预测 fₗˡ⁻ ᵢ * 以及 Gˡ⁻ ᵢ * 的编码。在预测方面,我们在 MPEG-PCC 中理论框架下形式化了 RAHT (1) 的线性预测,并提出了一个使用双边滤波器多项式的非线性预测器。我们推导了计算可编码的临界采样高通系数 Gˡ⁻ ᵢ * 的方程。通过最小化速率失真拉格朗日量在大型点云训练集上优化我们的前馈网络的参数。实验结果表明,我们改进的框架比 MPEG G-PCC 预测器在比特率降低方面提高了 11% 到 12%。
Nov, 2023
该研究论文提出了一种基于几何的超分辨率方法,用于点云几何压缩,并通过构建内容相关的分层先验实现了粗粒度到细粒度的点云几何超分辨率,以在编码器和解码器之间实现更准确的先验,以减少位数消耗并获得资源占用等方面的性能改进。
Feb, 2024
通过使用体积法进行 3D 点云属性压缩,本研究介绍了一种新的前馈线性网络方法 ——B 样条基的非特征值分解实现,利用空间变化的卷积和编码器中表示矩阵逆泰勒级数的项的数目等因素,能够在真实的 3D 点云场景下,具有比区域自适应分层变换(RAHT)更好的能量压缩效果,并能减少 20-30% 的比特率。
Apr, 2023
通过建立二进制哈希网格以揭示锚点的内在空间关系,我们提出了一种哈希网格辅助的上下文(HAC)框架,实现高度紧凑的 3D 高斯填充(3DGS)表示,从而在与原始 3DGS 相比显著减小尺寸超过 75 倍的同时,提高保真度,并在与最先进的 3DGS 压缩方法 Scaffold-GS 相比实现超过 11 倍的尺寸减小。
Mar, 2024
我们提出了一种新的无损校准的 3D 至 2D 转换方法,使压缩算法能够高效利用二维表示中的空间相关性,通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩,还对 LiDAR 的强度测量值进行密集二维表示,并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比,我们的方法在定量和视觉性能上取得了最佳效果。
Feb, 2024
本文提出了一种基于神经网络的自动编码器和 3D 卷积的点云几何压缩方法,相对于 MPEG 标准压缩算法,可以获得至少 60% BD-Rate 增益,并在视觉效果上表现优越。
Sep, 2019