Nov, 2023
学习的非线性预测器用于临界采样的三维点云属性压缩
Learned Nonlinear Predictor for Critically Sampled 3D Point Cloud Attribute Compression
Tam Thuc Do, Philip A. Chou, Gene Cheung
TL;DR我们通过一种体积方法研究了三维点云属性的压缩：假设点云几何在编码器和解码器都已知，连续属性函数的参数 θ 被量化为 ḣ θ 并进行编码，以便可以在解码器上以已知的三维点 xᵢ 恢复离散样本 fₕₑₐₜ θ (xᵢ)。具体而言，我们考虑一个嵌套函数子空间序列 F⁽ᵖ⁾ₗ₀ ⊆ ⋯ ⊆ F⁽ᵖ⁾ₗ，其中 F⁽ᵖ⁾ₗ是由 p 阶 B - 样条基函数张成的函数族，fₗˡ⁻ ᵢ * 是 f 在 F⁽ᵖ⁾ₗ 上的投影，并编码为低通系数 Fˡ⁻ ᵢ *，gₗˡ⁻ ᵢ * 是正交子空间 G⁽ᵖ⁾ₗ 上的残差函数（其中 G⁽ᵖ⁾ₗ ⊕ F⁽ᵖ⁾ₗ = F⁽ᵖ⁾ₗ₊₁），并编码为高通系数 Gˡ⁻ ᵢ *。本文中，为了在 p=1 情况（RAHT (1)）上提高编码性能，我们研究了在 l 水平上用 l+1 水平的 fˡ⁺ ᵢ * 预测 fₗˡ⁻ ᵢ * 以及 Gˡ⁻ ᵢ * 的编码。在预测方面，我们在 MPEG-PCC 中理论框架下形式化了 RAHT (1) 的线性预测，并提出了一个使用双边滤波器多项式的非线性预测器。我们推导了计算可编码的临界采样高通系数 Gˡ⁻ ᵢ * 的方程。通过最小化速率失真拉格朗日量在大型点云训练集上优化我们的前馈网络的参数。实验结果表明，我们改进的框架比 MPEG G-PCC 预测器在比特率降低方面提高了 11% 到 12%。