Feb, 2024

基于循环神经网络和图像压缩方法的 3D 点云压缩

PDF
TL;DR我们提出了一种新的无损校准的 3D 至 2D 转换方法，使压缩算法能够高效利用二维表示中的空间相关性，通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩，还对 LiDAR 的强度测量值进行密集二维表示，并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比，我们的方法在定量和视觉性能上取得了最佳效果。
lidar point cloud datacompression algorithms2d matrix structurespatial correlationsintensity measurements
发现论文，激发创造
  • 汽车传感器的混合点云语义压缩：性能评估

    本文提出了一个管道，用于在汽车场景中高效压缩 LiDAR 观测数据，首先利用 RangeNet++，一个用于语义推断点标签的深度神经网络来减少信道负载，其次是使用 Draco 对选择的点进行压缩，实验证明该方法可以在 LiDAR 的帧率下实现实时性。

    Mar, 2021

  • 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

  • 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

  • 基于边缘辅助的 LiDAR 感知在有损点云压缩中的鲁棒性提升

    我们提出了一种基于深度梯度的插值算法，用于改善 LiDAR 点云的质量，以减轻由于有损压缩导致的感知性能损失。与现有图像插值算法相比，我们的算法在从插值后的范围图像重建点云时显示出更好的定性结果。

    Sep, 2023

  • 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

  • 轻量级点云几何压缩的超分辨率网络

    该论文介绍了一种利用轻量级超分辨率网络对点云几何进行压缩的方法，通过将点云分解为基点云和插值模式，用于重构原始点云。通过训练超分辨率网络来获取插值模式的信息，然后将网络参数传输到解码器以帮助点云重构。实验证明了该方法在 MPEG Cat1 和 Cat2 数据集上具有出色的压缩性能。

    Nov, 2023

  • 点云压缩框架：智能交通系统中路侧激光雷达的点云压缩

    面向道路激光雷达的点云压缩方法 PointCompress3D，实现了高效的数据存储、流媒体传输和实时物体检测，优化了压缩性能并保持与原始数据的准确性和兼容性。

    May, 2024

  • 学习的点云压缩用于分类

    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。

    Aug, 2023

  • 深度卷积压缩感知在 LiDAR 深度补全中的应用

    使用压缩感知和交替方向神经网络技术创建了深度循环自编码器，从稀疏 LiDAR 点集中估计出密集的深度图，并表明此方法在仅使用 1800 个参数的情况下能够优于所有以前发表的结果。

    Mar, 2018

  • 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