CVPRApr, 2022

深度点云压缩保密度

PDF
TL;DR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。
发现论文，激发创造
  • 点云几何压缩的基于补丁的深度自编码器

    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

  • 多尺度点云几何压缩

    本文提出了一种基于多尺度自动编码器的点云压缩方法，利用稀疏性质进行分层重建，通过无损压缩几何空间和有损压缩特征属性，实现了比现有方法更高效的压缩率和编码速度。

    Nov, 2020

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • 深度点云几何压缩的改进

    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

  • 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

  • 基于学习的 3D 点云几何无损压缩

    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

  • 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

  • 3D 点云深度可变放大可扩展上采样

    本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

    Nov, 2020

  • 深度点云重建

    该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

    Nov, 2021

  • DensePoint: 学习高密度环境下的点云表示，为高效的点云处理提供支持

    提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时进行高效归纳学习，实验结果表明 DensePoint 方法优于现有方法，达到了业界最佳性能。

    Sep, 2019