基于深度自编码器的点云有损几何压缩
本文提出了一种基于块的压缩算法,使用深度学习对点云的几何信息进行有损压缩,并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩,使用局部重构误差作为优化标准,保证压缩后的点数与原始数据相等。同时,该算法的网络模型还可方便地应用于同类问题,例如点云上采样。
Oct, 2021
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
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
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深度学习的图像压缩架构,利用卷积自编码器的优势达到了更高的编码效率,并利用主成分分析来产生一个更加能量紧凑的表示,实验结果表明,该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7%的 BD 速率降低,而且与 JPEG2000 具有类似的复杂度。
Apr, 2018
本研究提出了一种新型深度点云压缩方法,可以有效保留本地密度信息,采用自动编码器的方式进行降采样和上采样操作,通过密度嵌入、本地位置嵌入和先祖嵌入等方式编码点云局部几何和密度,并在解码时预测每个点的上采样因子和方向尺度,同时也可以压缩点云属性。实验结果表明,该算法在 SemanticKITTI 和 ShapeNet 数据集上实现了最先进的码率失真平衡。
Apr, 2022
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
本文主张在基于自监督的三维表征学习中使用隐式曲面表征,通过提出的隐式自编码器(IAE)方法,解决了点云重建过程中的离散化采样误差问题,并在各种自监督学习基准测试中达到了最先进的性能水平。
Jan, 2022