学习卷积变换用于有损点云几何压缩
本文介绍了一种基于学习的无损压缩方法,可用于静态点云几何图形,基于自适应算术编码。我们的编码器在八叉树和体素编码之间混合操作,即将点云自适应地分区为多分辨率体素块,使用八叉树表示分区。利用深卷积神经网络对体素进行学习和处理,呈现了优越的性能。在 Microsoft Voxelized Upper Bodies(MVUB)和 MPEG 的不同点云数据集上,与最先进的 MPEG G-PCC 标准相比,平均节省了 28%的数据。
Nov, 2020
该论文介绍了一种利用轻量级超分辨率网络对点云几何进行压缩的方法,通过将点云分解为基点云和插值模式,用于重构原始点云。通过训练超分辨率网络来获取插值模式的信息,然后将网络参数传输到解码器以帮助点云重构。实验证明了该方法在 MPEG Cat1 和 Cat2 数据集上具有出色的压缩性能。
Nov, 2023
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
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
基于 PointNet 的新型点云编解码器,在机器任务分类中实现了更好的速率 - 准确性平衡,相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备,我们提出了两种轻量级编码器配置,在 BD 比特率降低 93% 和 92% 的同时,仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点,并降低了 3% 和 5% 的 top-1 准确率,为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。
Aug, 2023
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
我们提出了一种点云压缩方案,通过生成可直接解码为可渲染的 3D 高斯图像的比特流来解决从有损压缩的点云中解码和渲染高质量图像的问题。该方案显著提高了渲染质量,同时大幅度降低了解码和渲染时间,相比现有的点云压缩方法。此外,该方案生成可扩展的比特流,允许在不同比特率范围内的多个细节级别。我们的方法支持实时颜色解码和高质量点云的渲染,为具有自由视角的交互式 3D 流媒体应用铺平了道路。
Jun, 2024
提出了一种名为 MSVoxelDNN 的实用深度生成方法,用于无损点云几何压缩,并表明它与 MPEG G-PCC 编解码器相比大大降低了比特率。
Apr, 2021