論文の概要: LVAC: Learned Volumetric Attribute Compression for Point Clouds using Coordinate Based Networks

• arxiv url: http://arxiv.org/abs/2111.08988v1
• Date: Wed, 17 Nov 2021 09:11:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 16:03:22.763266
• Title: LVAC: Learned Volumetric Attribute Compression for Point Clouds using Coordinate Based Networks
• Title（参考訳）: lvac:座標ベースのネットワークを用いた点雲のボリューム属性圧縮法
• Authors: Berivan Isik, Philip A. Chou, Sung Jin Hwang, Nick Johnston, George Toderici
• Abstract要約: 点雲の属性を離散位置におけるベクトル値体積関数のサンプルとして考える。 空間をブロックにタイリングすることで体積関数をモデル化し、座標ベースまたは暗黙のニューラルネットワークのシフトによって各ブロック上の関数を表現する。 我々は、幾何学ベースの点クラウドG-PCCで使用される領域適応階層変換(RAHT)の係数を用いて、潜在ベクトルを表現する。
• 参考スコア（独自算出の注目度）: 21.6781972169876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the attributes of a point cloud as samples of a vector-valued volumetric function at discrete positions. To compress the attributes given the positions, we compress the parameters of the volumetric function. We model the volumetric function by tiling space into blocks, and representing the function over each block by shifts of a coordinate-based, or implicit, neural network. Inputs to the network include both spatial coordinates and a latent vector per block. We represent the latent vectors using coefficients of the region-adaptive hierarchical transform (RAHT) used in the MPEG geometry-based point cloud codec G-PCC. The coefficients, which are highly compressible, are rate-distortion optimized by back-propagation through a rate-distortion Lagrangian loss in an auto-decoder configuration. The result outperforms RAHT by 2--4 dB. This is the first work to compress volumetric functions represented by local coordinate-based neural networks. As such, we expect it to be applicable beyond point clouds, for example to compression of high-resolution neural radiance fields.
• Abstract（参考訳）: 点雲の属性を離散位置におけるベクトル値体積関数のサンプルとして考える。 位置が与えられた属性を圧縮するために,体積関数のパラメータを圧縮する。 空間をブロックにタイリングすることで体積関数をモデル化し、座標ベースまたは暗黙のニューラルネットワークのシフトによって各ブロック上の関数を表現する。 ネットワークへの入力には、空間座標とブロックごとの潜在ベクトルの両方が含まれる。 我々は,MPEG幾何に基づくポイントクラウドコーデックG-PCCで使用される領域適応階層変換(RAHT)の係数を用いて潜在ベクトルを表現する。 圧縮性が高い係数は、オートデコーダ構成のラグランジアン損失によるバックプロパゲーションによって最適化される。 結果は raht を 2--4 db で上回る。 これは、局所座標ベースニューラルネットワークで表される体積関数を圧縮する最初の試みである。 したがって、高分解能の神経放射野の圧縮など、ポイントクラウドを超えて適用できると期待しています。

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)
• SPAC: Sampling-based Progressive Attribute Compression for Dense Point Clouds [51.313922535437726]
  本研究では,高密度点雲のエンドツーエンド圧縮法を提案する。 提案手法は,周波数サンプリングモジュール,適応スケール特徴抽出モジュール,幾何支援モジュール,大域的ハイパープライアエントロピーモデルを組み合わせた。
  論文  参考訳（メタデータ） (2024-09-16T13:59:43Z)
• Fast Point Cloud Geometry Compression with Context-based Residual Coding and INR-based Refinement [19.575833741231953]
  我々は、KNN法を用いて、原表面点の近傍を決定する。 条件付き確率モデルは局所幾何学に適応し、大きな速度減少をもたらす。 暗黙のニューラル表現を精製層に組み込むことで、デコーダは任意の密度で下面の点をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-08-06T05:24:06Z)
• 3D Point Cloud Compression with Recurrent Neural Network and Image Compression Methods [0.0]
  多くのAVアプリケーションでは、LiDARポイントクラウドデータの保存と送信が不可欠である。 データの幅と秩序のない構造のため、ポイントクラウドデータを低ボリュームに圧縮することは困難である。 圧縮アルゴリズムが空間相関を効率的に活用できる新しい3D-to-2D変換を提案する。
  論文  参考訳（メタデータ） (2024-02-18T19:08:19Z)
• Volumetric Attribute Compression for 3D Point Clouds using Feedforward Network with Geometric Attention [36.41214415449853]
  固有分解のない関数空間にまたがる高階B-スプラインベースを実装したフィードフォワード線形ネットワークを提案する。 エンコーダにおける正規化におけるレイヤーの数は、逆テイラー級数における項の数に等しいことを示す。
  論文  参考訳（メタデータ） (2023-04-01T15:24:12Z)
• Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
  我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。 空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。 ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
  論文  参考訳（メタデータ） (2022-12-11T19:55:24Z)
• Variable Bitrate Neural Fields [75.24672452527795]
  本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。 辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
  論文  参考訳（メタデータ） (2022-06-15T17:58:34Z)
• SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
  本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。 提案した演算子は、最大プールやボキセル化操作を一切必要としない。 提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-08T15:31:36Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• Permute, Quantize, and Fine-tune: Efficient Compression of Neural Networks [70.0243910593064]
  ベクトル量子化の成功の鍵は、どのパラメータ群を一緒に圧縮するかを決定することである。 本稿では,隣り合う2つの層の重みを同じ関数を表現しながら不変にすることができることを観察する。 次に、レート歪み理論への接続を確立し、圧縮し易いネットワークとなる置換を探索する。
  論文  参考訳（メタデータ） (2020-10-29T15:47:26Z)

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。