可扩展的人机点云压缩
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
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
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
本文提出了一种基于神经网络的编解码及任务模型的联合训练方法,用于实现远程机器任务分析的图像压缩,研究表明,进行编解码和任务网络的联合优化可以显著提高任务准确性,在训练和部署的限制下,可以选择性地进行编码器、解码器或任务网络的微调,并仍然实现高于现成解决方案的速率和准确度。
Nov, 2020
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
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
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
本文提出了一种可扩展的视频编码框架,该框架通过基础层比特流支持机器视觉(特别是物体检测)和增强层比特流支持人类视觉,并且结果表明,该框架在物体检测方面比最先进的视频编解码器节省 13-19%的比特率,同时在人类视觉任务的 MS-SSIM 方面保持有竞争力。
Aug, 2022
本文介绍了一种基于深度学习和卷积神经网络的、适用于点云的几何压缩方法,实现了对于点云的空间信息和几何细节的有损压缩,该方法可以有效地处理点云中的局部相关性,提高压缩和重建质量。
Sep, 2022