論文の概要: Improved Deep Point Cloud Geometry Compression
- arxiv url: http://arxiv.org/abs/2006.09043v2
- Date: Wed, 24 Jun 2020 12:56:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 18:51:07.695598
- Title: Improved Deep Point Cloud Geometry Compression
- Title(参考訳): 深点雲幾何圧縮の改良
- Authors: Maurice Quach, Giuseppe Valenzise, Frederic Dufaux
- Abstract要約: 深部クラウド圧縮を改善するためのコントリビューションセットを提案する。
提案した改良の最適組み合わせは、G-PCCトリソアップと5.50(6.48)dBのオクツリーと6.84(5.95)dBのBD-PSNRゲインを達成する。
- 参考スコア(独自算出の注目度): 10.936043362876651
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point clouds have been recognized as a crucial data structure for 3D content
and are essential in a number of applications such as virtual and mixed
reality, autonomous driving, cultural heritage, etc. In this paper, we propose
a set of contributions to improve deep point cloud compression, i.e.: using a
scale hyperprior model for entropy coding; employing deeper transforms; a
different balancing weight in the focal loss; optimal thresholding for
decoding; and sequential model training. In addition, we present an extensive
ablation study on the impact of each of these factors, in order to provide a
better understanding about why they improve RD performance. An optimal
combination of the proposed improvements achieves BD-PSNR gains over G-PCC
trisoup and octree of 5.50 (6.48) dB and 6.84 (5.95) dB, respectively, when
using the point-to-point (point-to-plane) metric. Code is available at
https://github.com/mauriceqch/pcc_geo_cnn_v2 .
- Abstract(参考訳): ポイントクラウドは3Dコンテンツにとって重要なデータ構造として認識されており、仮想現実や混成現実、自律運転、文化遺産など、多くのアプリケーションにおいて不可欠である。
本稿では,エントロピー符号化のためのスケールハイパープリオールモデルの利用,より深い変換の利用,焦点損失におけるバランスの異なる重み,デコードのための最適なしきい値設定,逐次モデルトレーニングなど,深点クラウド圧縮を改善するための一連の貢献について述べる。
さらに,これらの因子がrd性能を改善する理由をよりよく理解するために,これらの因子が与える影響に関する広範囲なアブレーション研究を行った。
G-PCCトリソープと5.50(6.48) dBと6.84(5.95) dB(5.95) dB(ポイント・ツー・ポイント・ツー・プレーン)メートル法)の2倍のBD-PSNRゲインが得られる。
コードはhttps://github.com/mauriceqch/pcc_geo_cnn_v2で入手できる。
関連論文リスト
- PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point
Cloud Compression [8.778300313732027]
異種クラウド圧縮(PCC)フレームワークを提案する。
私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。
本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
論文 参考訳(メタデータ) (2024-02-11T16:57:08Z) - Adaptive Point Transformer [88.28498667506165]
Adaptive Point Cloud Transformer (AdaPT) は、適応トークン選択機構によって強化された標準PTモデルである。
AdaPTは推論中のトークン数を動的に削減し、大きな点雲の効率的な処理を可能にする。
論文 参考訳(メタデータ) (2024-01-26T13:24:45Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - Geometric Prior Based Deep Human Point Cloud Geometry Compression [82.26992688231283]
我々は、点雲の幾何学的冗長性除去に先立って、人間の幾何学的手法を利用する。
高分解能な人点雲を幾何学的先行と構造的偏差の組み合わせとして考えることができる。
提案フレームワークは,既存の学習ベースポイントクラウド圧縮手法を用いて,プレイ・アンド・プラグ方式で動作可能である。
論文 参考訳(メタデータ) (2023-05-02T10:35:20Z) - GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color
Attribute [51.4803148196217]
本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。
GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。
実験結果から,本手法は最先端性能を実現することが示された。
論文 参考訳(メタデータ) (2023-03-24T02:33:45Z) - AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware
Transformers [94.11915008006483]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。
本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文 参考訳(メタデータ) (2023-01-11T16:14:12Z) - IPDAE: Improved Patch-Based Deep Autoencoder for Lossy Point Cloud
Geometry Compression [11.410441760314564]
パッチベースのポイントクラウド圧縮の大幅な改善を提案する。
改良されたパッチベースのオートエンコーダは、速度歪み性能の点で最先端よりも優れていることを示す実験結果が得られた。
論文 参考訳(メタデータ) (2022-08-04T08:12:35Z) - 4DAC: Learning Attribute Compression for Dynamic Point Clouds [37.447460254690135]
動的点雲の属性(例えば色)圧縮について検討し、4DACと呼ばれる学習ベースのフレームワークを提案する。
データ内の時間的冗長性を低減するため,まず深層ニューラルネットワークを用いた3次元動き推定と動き補償モジュールを構築した。
さらに,変換係数の確率分布を推定する条件付きエントロピーモデルを提案する。
論文 参考訳(メタデータ) (2022-04-25T15:30:06Z) - 3DAC: Learning Attribute Compression for Point Clouds [35.78404985164711]
大規模非構造3次元点雲の属性圧縮問題について検討する。
本研究では,3次元点雲の属性を明示的に圧縮するディープ圧縮ネットワークを3DACと呼ぶ。
論文 参考訳(メタデータ) (2022-03-17T09:42:36Z) - DeepCompress: Efficient Point Cloud Geometry Compression [1.808877001896346]
本稿では,ポイントクラウド圧縮のためのより効率的なディープラーニングベースのエンコーダアーキテクチャを提案する。
CENIC(Efficient Neural Image Compression)から学習した活性化関数を組み込むことで,効率と性能が劇的に向上することを示す。
提案手法は,BjontegardデルタレートとPSNR値において,ベースラインアプローチよりも小さなマージンで優れていた。
論文 参考訳(メタデータ) (2021-06-02T23:18:11Z) - Reduced Reference Perceptual Quality Model and Application to Rate
Control for 3D Point Cloud Compression [61.110938359555895]
レート歪み最適化では、ビットレートの制約を受ける再構成品質尺度を最大化してエンコーダ設定を決定する。
本稿では,V-PCC幾何および色量化パラメータを変数とする線形知覚品質モデルを提案する。
400個の圧縮された3D点雲による主観的品質試験の結果,提案モデルが平均評価値とよく相関していることが示唆された。
また、同じ目標ビットレートに対して、提案モデルに基づくレート歪みの最適化は、ポイント・ツー・ポイントの客観的な品質指標による徹底的な探索に基づくレート歪みの最適化よりも高い知覚品質を提供することを示した。
論文 参考訳(メタデータ) (2020-11-25T12:42:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。