May, 2024

点云压缩框架：智能交通系统中路侧激光雷达的点云压缩

PDF
TL;DR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。
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

  • 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

  • 基于循环神经网络和图像压缩方法的 3D 点云压缩

    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。

    Feb, 2024

  • 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

  • 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

  • PIVOT-Net: 基于异构点 - 体素树的点云压缩框架

    该研究提出了一个异构点云压缩框架，统一了点基、体素基和树基三种典型点云表示及其相关骨干结构，以在不同位深水平对输入点云进行压缩。实验证明了该提议在各种点云上的最新性能。

    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

  • 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

  • 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

  • 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