学习型点云几何压缩
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
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
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
本研究提出了一种基于多尺度稀疏张量的点云几何压缩方法,称为 SparsePCGC,使用 Sparse Convolution-based Neural Network 和 Occupancy Probability Approximation 模型计算不同尺度的空间相关性来提高估计空间占用概率的准确性和压缩效率。在各种数据集中,该方法在无损和有损压缩模式下均表现出与标准化的 MPEG G-PCC 以及流行的基于学习的方案相比的最先进性能,同时具有低复杂度的优势。
Nov, 2021
本文介绍了一种基于深度学习和卷积神经网络的、适用于点云的几何压缩方法,实现了对于点云的空间信息和几何细节的有损压缩,该方法可以有效地处理点云中的局部相关性,提高压缩和重建质量。
Sep, 2022
本论文介绍了一个能够处理几何和属性组件的点云压缩框架,利用两个基于坐标的神经网络来隐式表示体素化的点云,通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明,与最新的 G-PCC 标准中采用的八叉树方法相比,我们提出的方法具有更优越的性能,并且与现有的基于学习的技术相比具有高度的普适性。
May, 2024
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
在这篇论文中,我们提出了 PoLoPCAC,一种高效且通用的无损点云属性压缩方法,它在高压缩效率和强大的泛化能力方面取得了平衡。我们通过将无损 PCAC 建模为从群组先验中推断属性的显式分布的任务来实现压缩。我们的方法直接在点上操作,可以自然地避免由于体素化而引起的扭曲,并且可以在任意尺度和密度的点云上执行。实验证明,我们的方法在各种数据集上(ShapeNet、ScanNet、MVUB、8iVFB)比最新的 G-PCCv23 具有持续的比特率降低,并且比 G-PCCv23 在大多数序列上具有更短的编码时间和轻量级模型尺寸(2.6MB),这对于实际应用非常有吸引力。
Apr, 2024