Pointsoup：用于大规模点云场景的高性能和极低解码延迟的学习几何编解码器

Apr, 2024

Pointsoup：用于大规模点云场景的高性能和极低解码延迟的学习几何编解码器

Pointsoup: High-Performance and Extremely Low-Decoding-Latency Learned Geometry Codec for Large-Scale Point Cloud Scenes

PDF

Kang You, Kai Liu, Li Yu, Pan Gao, Dandan Ding

TL;DRPointsoup 是一种高性能、极低解码延迟的高效基于学习的几何编解码器，通过将皮肤特征通过基于注意力的编码器嵌入到本地窗口中并引入扩张窗口作为跨尺度先验来推断量化特征的分布，实现了快速的特征细化，然后使用基于折叠的点生成器以相当快的速度重构点坐标。实验证明，Pointsoup 在多个基准测试中达到了最先进的性能，且解码复杂度显著降低，即在较低端平台上（例如一块 RTX 2080Ti 上）与 G-PCCv23 Trisoup 解码器相比，快速了 90-160 倍。此外，它还提供变速控制，仅使用一个神经模型（2.9MB），对于工业实践者非常有吸引力。

Abstract

Despite considerable progress being achieved in point cloud geometry compression, there still remains a challenge in effectively compressing large-scale scenes with sparse surfaces. Another key challenge lies in reducing →

point cloud geometry compression large-scale scenes decoding latency learning-based geometry codec pointsoup

发现论文，激发创造

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

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

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

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

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

基于稀疏张量的点云几何多尺度表示压缩

本研究提出了一种基于多尺度稀疏张量的点云几何压缩方法，称为 SparsePCGC，使用 Sparse Convolution-based Neural Network 和 Occupancy Probability Approximation 模型计算不同尺度的空间相关性来提高估计空间占用概率的准确性和压缩效率。在各种数据集中，该方法在无损和有损压缩模式下均表现出与标准化的 MPEG G-PCC 以及流行的基于学习的方案相比的最先进性能，同时具有低复杂度的优势。

Nov, 2021

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

基于分级优先的点云几何压缩的超分辨率

该研究论文提出了一种基于几何的超分辨率方法，用于点云几何压缩，并通过构建内容相关的分层先验实现了粗粒度到细粒度的点云几何超分辨率，以在编码器和解码器之间实现更准确的先验，以减少位数消耗并获得资源占用等方面的性能改进。

Feb, 2024

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