Nov, 2020

基于学习的3D点云几何无损压缩

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 学习卷积变换用于有损点云几何压缩

    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

  • 基于深度自编码器的点云有损几何压缩

    本研究提出了一种通用的基于自编码器的几何点云有损压缩架构，与手工编码器相比，此方法快速适应先前未见过的媒体内容和格式，并实现了可竞争的性能。

    Apr, 2019

  • 学习型点云几何压缩

    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

  • 无损点云几何压缩的多尺度深度上下文建模

    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

  • 基于八叉树的点云压缩框架：VoxelContext-Net

    提出了VoxelContext-Net两阶段深度学习框架，利用体素和八叉树方法对静态和动态点云进行压缩，使用体素环境压缩八叉树结构数据，通过熵编码来压缩非叶节点符号的深度熵模型。

    May, 2021

  • 用神经网络对点云的八叉树表示进行编码的概率建模

    本文提出了一种新型的无损点云压缩算法，采用神经网络来估计体素的编码概率，通过表示为八叉树，以从低分辨率开始，逐层编解码的方式来占据状态，并利用神经网络对占据状态进行建模，具有快速和慢速版本，并在基准数据集上取得了最新成果。

    Jun, 2021

  • OctAttention：面向点云压缩的基于八叉树的大规模上下文模型

    本文提出了一种基于Octree结构的多上下文深度学习框架OctAttention，通过对兄弟和祖先节点信息的聚合来实现对点云分布的无损编码，用于进行点云的压缩和语义分割等处理，在仿真和真实场景验证中都显示出较高的性能和效率。

    Feb, 2022

  • PIVOT-Net: 基于异构点-体素树的点云压缩框架

    该研究提出了一个异构点云压缩框架，统一了点基、体素基和树基三种典型点云表示及其相关骨干结构，以在不同位深水平对输入点云进行压缩。实验证明了该提议在各种点云上的最新性能。

    Feb, 2024

  • 使用隐式神经表示的点云压缩：一个统一框架

    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

  • 基于上下文的残差编码和隐式神经表示的快速点云几何压缩

    本研究解决了不规则点云压缩中邻域关系表征的困难，提出了一种基于KNN的方法来适应局部几何特征，并结合双层架构减少编码复杂度和延迟。研究结果表明，该方法相比最先进的技术在压缩效率和细节保留上有显著提升，同时具备任意尺度的上采样能力。

    Aug, 2024