MMAug, 2023

学习的点云压缩用于分类

PDF
TL;DR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。
deep learningpoint cloud datacodecclassificationcompression ratios
发现论文，激发创造
  • 可扩展的人机点云压缩

    我们提出了一种专门为机器任务而设计的可扩展点云数据编解码器，基于 PointNet++ 的架构，并在 ModelNet40 数据集上进行了测试，显示了与之前的非专用编解码器相比显著的改进。

    Feb, 2024

  • 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

  • 面向机器感知的点云压缩：通过学习八叉树深度级别预测器的简单而强大的基准线

    提出了一种点云压缩框架，可以同时处理人类视觉和机器视觉任务，并通过使用自适应的八叉树深度级别预测器来控制位速，以提高机器视觉任务的性能，而不影响人类视觉质量。

    Jun, 2024

  • 基于深度学习的压缩域多媒体研究：从分类学到点云分类的应用

    该论文提出了一种基于压缩域计算机视觉处理器的压缩领域计算机视觉解决方案的设计分类方法，以 JPEG Pleno Point Cloud Coding 标准为基础设计压缩域点云分类处理器，并通过实验结果展示了该方法在点云分类任务上的性能优势。

    Oct, 2023

  • 位到光子：直接渲染的端到端学习可扩展点云压缩

    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

  • 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

  • T3DNet: 用于轻量级三维识别的压缩点云模型

    本文提出了一种名为 T3DNet 的方法，通过辅助监督和网络增强，将 3D 点云模型进行压缩，实现高压缩比率而保持较高的准确性。

    Feb, 2024

  • 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

  • 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