論文の概要: 3DAC: Learning Attribute Compression for Point Clouds

• arxiv url: http://arxiv.org/abs/2203.09931v1
• Date: Thu, 17 Mar 2022 09:42:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:06:46.316195
• Title: 3DAC: Learning Attribute Compression for Point Clouds
• Title（参考訳）: 3DAC: ポイントクラウドに対する属性圧縮の学習
• Authors: Guangchi Fang, Qingyong Hu, Hanyun Wang, Yiling Xu, Yulan Guo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 35.78404985164711
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study the problem of attribute compression for large-scale unstructured 3D point clouds. Through an in-depth exploration of the relationships between different encoding steps and different attribute channels, we introduce a deep compression network, termed 3DAC, to explicitly compress the attributes of 3D point clouds and reduce storage usage in this paper. Specifically, the point cloud attributes such as color and reflectance are firstly converted to transform coefficients. We then propose a deep entropy model to model the probabilities of these coefficients by considering information hidden in attribute transforms and previous encoded attributes. Finally, the estimated probabilities are used to further compress these transform coefficients to a final attributes bitstream. Extensive experiments conducted on both indoor and outdoor large-scale open point cloud datasets, including ScanNet and SemanticKITTI, demonstrated the superior compression rates and reconstruction quality of the proposed 3DAC.
• Abstract（参考訳）: 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。 本稿では,異なる符号化ステップと異なる属性チャネルの関係を深く検討することにより,3dacと呼ばれる深層圧縮ネットワークを導入し,3dポイントクラウドの属性を明示的に圧縮し,ストレージ使用量を削減する。 具体的には、まず、色や反射率などの点雲特性を変換係数に変換する。 次に,属性変換と先行符号化属性に隠された情報を考慮することにより,これらの係数の確率をモデル化する深部エントロピーモデルを提案する。 最後に、推定確率を用いて、これらの変換係数を最終属性ビットストリームにさらに圧縮する。 scannetやsemantickittiなど,屋内および屋外の大規模オープンポイントクラウドデータセットで行った広範な実験により,提案する3dacの圧縮速度と再構成品質が向上した。

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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Variable Rate Compression for Raw 3D Point Clouds [5.107705550575662]
  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。
  論文  参考訳（メタデータ） (2022-02-28T15:15:39Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)

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。