論文の概要: Lossless Coding of Point Cloud Geometry using a Deep Generative Model

• arxiv url: http://arxiv.org/abs/2107.00400v1
• Date: Thu, 1 Jul 2021 12:20:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 13:50:28.185155
• Title: Lossless Coding of Point Cloud Geometry using a Deep Generative Model
• Title（参考訳）: 深部生成モデルを用いた点雲幾何のロスレス符号化
• Authors: Dat Thanh Nguyen, Maurice Quach, Giuseppe Valenzise, Pierre Duhamel
• Abstract要約: 方法は点雲を複数のボクセルブロックサイズに適応的に分割する。 深部自己回帰生成モデルでは、各ボクセルの占有確率を推定する。 我々は,文脈ベースの算術コーダを用いて,ブロックを効率的に符号化する確率を推定する。
• 参考スコア（独自算出の注目度）: 11.69103847045569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a lossless point cloud (PC) geometry compression method that uses neural networks to estimate the probability distribution of voxel occupancy. First, to take into account the PC sparsity, our method adaptively partitions a point cloud into multiple voxel block sizes. This partitioning is signalled via an octree. Second, we employ a deep auto-regressive generative model to estimate the occupancy probability of each voxel given the previously encoded ones. We then employ the estimated probabilities to code efficiently a block using a context-based arithmetic coder. Our context has variable size and can expand beyond the current block to learn more accurate probabilities. We also consider using data augmentation techniques to increase the generalization capability of the learned probability models, in particular in the presence of noise and lower-density point clouds. Experimental evaluation, performed on a variety of point clouds from four different datasets and with diverse characteristics, demonstrates that our method reduces significantly (by up to 30%) the rate for lossless coding compared to the state-of-the-art MPEG codec.
• Abstract（参考訳）: 本稿では、ニューラルネットワークを用いてボクセル占有率の確率分布を推定するロスレスポイントクラウド(PC)幾何圧縮法を提案する。 まず,PCの分散性を考慮するため,本手法は点雲を複数のボクセルブロックサイズに適応的に分割する。 この分割はoctreeを介して伝達される。 第2に,事前符号化されたボクセルの占有確率を推定するために,深い自己回帰生成モデルを用いる。 次に, 推定確率を用いて, コンテクストベースの算術コーダを用いてブロックを効率的に符号化する。 我々のコンテキストは可変サイズであり、より正確な確率を学ぶために現在のブロックを超えて拡張することができる。 また,データ拡張手法を用いて学習確率モデルの一般化能力,特にノイズや低密度点雲の存在について検討する。 4つの異なるデータセットと多様な特徴を持つ様々な点群で行った実験により,本手法は,最先端MPEGコーデックと比較して,ロスレス符号化率を最大30%削減することを示した。

関連論文リスト

• Point Cloud Compression with Bits-back Coding [32.9521748764196]
  本稿では,深層学習に基づく確率モデルを用いて,点雲情報のシャノンエントロピーを推定する。 点雲データセットのエントロピーを推定すると、学習されたCVAEモデルを用いて点雲の幾何学的属性を圧縮する。 本手法の新規性は,CVAEの学習潜在変数モデルを用いて点雲データを圧縮することである。
  論文  参考訳（メタデータ） (2024-10-09T06:34:48Z)
• PVContext: Hybrid Context Model for Point Cloud Compression [61.24130634750288]
  我々は,効率的なオクツリーベースのポイントクラウド圧縮のためのハイブリッドコンテキストモデルPVContextを提案する。 PVContextは、ボクセルを用いて局所幾何学情報を正確に表現するVoxel Contextと、ポイントクラウドからグローバルな形状情報を効率的に保存するPoint Contextの2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-09-19T12:47:35Z)
• Geometric Prior Based Deep Human Point Cloud Geometry Compression [67.49785946369055]
  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)
• Lossless Point Cloud Geometry and Attribute Compression Using a Learned Conditional Probability Model [2.670322123407995]
  本稿では,テンソルに基づく深層ニューラルネットワークを用いて,点雲の幾何と色確率を学習する効率的な点雲圧縮法を提案する。 本手法は,異なるビット深さの3つの特徴を持つ点雲を統一表現で表現する。
  論文  参考訳（メタデータ） (2023-03-11T23:50:02Z)
• Deep probabilistic model for lossless scalable point cloud attribute compression [2.2559617939136505]
  我々は、属性を段階的にマルチスケールの潜在空間に投影するエンドツーエンドのクラウド属性符号化法(MNeT)を構築した。 MVUB と MPEG の点群に対して本手法の有効性を検証し,提案手法が最近提案した手法よりも優れており,最新の G-PCC バージョン 14 と同等であることを示す。
  論文  参考訳（メタデータ） (2023-03-11T23:39:30Z)
• Deep Geometry Post-Processing for Decompressed Point Clouds [32.72083309729585]
  ポイントクラウド圧縮は、データストレージと送信の膨大なコストを削減する上で重要な役割を果たす。 本稿では,非圧縮点雲を強化するための学習に基づくポストプロセッシング手法を提案する。 実験の結果,提案手法は圧縮点雲の品質を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-04-29T08:57:03Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Learning-based lossless compression of 3D point cloud geometry [11.69103847045569]
  encoderはハイブリッドモードで動作し、octreeとvoxelベースのコーディングを混合する。 提案手法は,最先端MPEG G-PCC規格を平均28%で上回っている。
  論文  参考訳（メタデータ） (2020-11-30T11:27:16Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• MuSCLE: Multi Sweep Compression of LiDAR using Deep Entropy Models [78.93424358827528]
  本稿では,LiDARセンサデータのストレージストリームを削減するための新しい圧縮アルゴリズムを提案する。 本手法は,従来のLiDAR圧縮法よりも接合形状と強度を著しく低減する。
  論文  参考訳（メタデータ） (2020-11-15T17:41:14Z)
• OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression [77.8842824702423]
  本稿では,LiDAR点雲のメモリフットプリントを削減するための新しいディープ圧縮アルゴリズムを提案する。 本手法は,メモリフットプリントを低減するために,点間の間隔と構造的冗長性を利用する。 我々のアルゴリズムは、自動運転車などのアプリケーションにおいて、LiDARポイントのオンボードおよびオフボードストレージを減らすために使用できる。
  論文  参考訳（メタデータ） (2020-05-14T17:48:49Z)

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。