論文の概要: Variable Rate Compression for Raw 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2202.13862v1
- Date: Mon, 28 Feb 2022 15:15:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 20:48:06.125976
- Title: Variable Rate Compression for Raw 3D Point Clouds
- Title（参考訳）: 生3次元点雲の可変レート圧縮
- Authors: Md Ahmed Al Muzaddid and William J. Beksi
- Abstract要約: そこで本研究では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。
我々のネットワークは、ポイントクラウドを明示的に処理し、圧縮された記述を生成することができる。
- 参考スコア（独自算出の注目度）: 5.107705550575662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a novel variable rate deep compression architecture
that operates on raw 3D point cloud data. The majority of learning-based point
cloud compression methods work on a downsampled representation of the data.
Moreover, many existing techniques require training multiple networks for
different compression rates to generate consolidated point clouds of varying
quality. In contrast, our network is capable of explicitly processing point
clouds and generating a compressed description at a comprehensive range of
bitrates. Furthermore, our approach ensures that there is no loss of
information as a result of the voxelization process and the density of the
point cloud does not affect the encoder/decoder performance. An extensive
experimental evaluation shows that our model obtains state-of-the-art results,
it is computationally efficient, and it can work directly with point cloud data
thus avoiding an expensive voxelized representation.
- Abstract（参考訳）: 本稿では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。
学習ベースのポイントクラウド圧縮手法の大半は、データのダウンサンプリングされた表現で動作する。
さらに、既存の技術では、異なる圧縮率で複数のネットワークを訓練し、様々な品質の統合ポイントクラウドを生成する必要がある。
対照的に、我々のネットワークは、ポイントクラウドを明示的に処理し、包括的なビットレートで圧縮記述を生成することができる。
さらに,本手法は,酸化処理の結果,情報の損失がなく,点雲の密度がエンコーダ/デコーダの性能に影響を与えないことを保証する。
広範な実験結果から,本モデルは最先端の結果を得ることができ,計算効率が良く,ポイントクラウドデータと直接連携でき,高価なボクセル化表現を回避できることがわかった。
関連論文リスト
- Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。
ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。
そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T16:12:51Z) - 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) - 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) - 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) - 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) - EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。
我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
論文 参考訳（メタデータ） (2022-12-08T06:27:11Z) - 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) - 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) - 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) - 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) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-06-06T02:46:39Z)
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。