論文の概要: Attribute Artifacts Removal for Geometry-based Point Cloud Compression

• arxiv url: http://arxiv.org/abs/2112.00560v1
• Date: Wed, 1 Dec 2021 15:21:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 15:24:38.480117
• Title: Attribute Artifacts Removal for Geometry-based Point Cloud Compression
• Title（参考訳）: 幾何学に基づく点雲圧縮のための属性アーティファクト除去
• Authors: Xihua Sheng, Li Li, Dong Liu, Zhiwei Xiong
• Abstract要約: 幾何ベースの点雲圧縮(G-PCC)は点雲に対する顕著な圧縮効率を達成する。 特に低いシナリオ下では、重要な属性圧縮アーティファクトが発生します。 本稿では,ポイントクラウド属性のアーティファクトを除去するマルチスケールグラフ注意ネットワーク(MSGAT)を提案する。
• 参考スコア（独自算出の注目度）: 43.60640890971367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometry-based point cloud compression (G-PCC) can achieve remarkable compression efficiency for point clouds. However, it still leads to serious attribute compression artifacts, especially under low bitrate scenarios. In this paper, we propose a Multi-Scale Graph Attention Network (MS-GAT) to remove the artifacts of point cloud attributes compressed by G-PCC. We first construct a graph based on point cloud geometry coordinates and then use the Chebyshev graph convolutions to extract features of point cloud attributes. Considering that one point may be correlated with points both near and far away from it, we propose a multi-scale scheme to capture the short and long range correlations between the current point and its neighboring and distant points. To address the problem that various points may have different degrees of artifacts caused by adaptive quantization, we introduce the quantization step per point as an extra input to the proposed network. We also incorporate a graph attentional layer into the network to pay special attention to the points with more attribute artifacts. To the best of our knowledge, this is the first attribute artifacts removal method for G-PCC. We validate the effectiveness of our method over various point clouds. Experimental results show that our proposed method achieves an average of 9.28% BD-rate reduction. In addition, our approach achieves some performance improvements for the downstream point cloud semantic segmentation task.
• Abstract（参考訳）: 幾何ベースの点雲圧縮(G-PCC)は点雲に対する顕著な圧縮効率を達成する。 しかしながら、特に低ビットレートシナリオ下では、重大な属性圧縮アーティファクトが発生する。 本稿では,G-PCCで圧縮された点雲属性のアーチファクトを除去するマルチスケールグラフ注意ネットワーク(MS-GAT)を提案する。 まず、ポイントクラウド幾何座標に基づくグラフを構築し、次にchebyshevグラフ畳み込みを使用してポイントクラウド属性の特徴を抽出する。 一つの点が近距離と遠距離の両方の点と相関する可能性があることを考慮し、現在点とその近傍点と遠距離点の間の短距離および長距離の相関を捉えるマルチスケールスキームを提案する。 適応量子化によって生じる様々な点のアーチファクトの度合いが異なる問題に対処するため,提案ネットワークへの追加入力として各点あたりの量子化ステップを導入する。 グラフの注意層をネットワークに組み込んで、より多くの属性アーティファクトを持つポイントに特に注意を払っています。 我々の知る限りでは、これがG-PCCの最初の属性アーチファクト除去方法である。 種々の点雲上での手法の有効性を検証する。 実験の結果,提案手法は平均9.28%のbdレート低減を達成した。 さらに,本手法は,下流クラウドセマンティックセグメンテーションタスクの性能改善を実現している。

関連論文リスト

• Att2CPC: Attention-Guided Lossy Attribute Compression of Point Clouds [18.244200436103156]
  本稿では, オートエンコーダアーキテクチャを利用して, ポイントクラウド属性を効率よく圧縮する手法を提案する。 実験の結果,YチャネルのBD-PSNRとYUVチャネルの平均改善率は1.15dBと2.13dBであることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T12:32:21Z)
• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• 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)
• 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)
• 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)
• Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point Cloud Feature Extractors [0.0]
  我々は、画像領域からのインスピレーションの欠如が、そのようなギャップの主な原因であると主張している。 我々は,CNNのような3Dポイント・クラウド特徴抽出器の設計のために,Shrinkingユニットと呼ばれるグラフ畳み込み単位を提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:28:31Z)
• GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression [16.98171403698783]
  損失点クラウド幾何圧縮のための深層学習を用いた異種アプローチを提案する。 具体的には、粗い点雲上に存在する不規則な特徴に局所的詳細を変換するために、点ベースネットワークを適用する。
  論文  参考訳（メタデータ） (2022-09-09T17:09:02Z)
• Density-preserving Deep Point Cloud Compression [72.0703956923403]
  本研究では,局所密度情報を保存する新しい深部クラウド圧縮手法を提案する。 エンコーダはポイントをサンプリングし、ポイントワイドな特徴を学習し、デコーダはこれらの特徴を使ってポイントをサンプリングする。
  論文  参考訳（メタデータ） (2022-04-27T03:42:15Z)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)

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。