論文の概要: Dynamic Point Cloud Compression with Cross-Sectional Approach
- arxiv url: http://arxiv.org/abs/2204.11409v1
- Date: Mon, 25 Apr 2022 02:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 15:33:09.538975
- Title: Dynamic Point Cloud Compression with Cross-Sectional Approach
- Title(参考訳): 断面アプローチによる動的点雲圧縮
- Authors: Faranak Tohidi, Manoranjan Paul, Anwaar Ulhaq
- Abstract要約: MPEGはV-PCCとして知られるビデオベースのPoint Cloud Compression標準を確定した。
提案手法は,新しい断面法を用いて,これらの制約に対処する。
標準ビデオシーケンスを用いた実験結果から,幾何学的およびテクスチャ的データの両方において,提案手法がより良い圧縮を実現することを示す。
- 参考スコア(独自算出の注目度): 10.850101961203748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent development of dynamic point clouds has introduced the possibility
of mimicking natural reality, and greatly assisting quality of life. However,
to broadcast successfully, the dynamic point clouds require higher compression
due to their huge volume of data compared to the traditional video. Recently,
MPEG finalized a Video-based Point Cloud Compression standard known as V-PCC.
However, V-PCC requires huge computational time due to expensive normal
calculation and segmentation, sacrifices some points to limit the number of 2D
patches, and cannot occupy all spaces in the 2D frame. The proposed method
addresses these limitations by using a novel cross-sectional approach. This
approach reduces expensive normal estimation and segmentation, retains more
points, and utilizes more spaces for 2D frame generation compared to the VPCC.
The experimental results using standard video sequences show that the proposed
technique can achieve better compression in both geometric and texture data
compared to the V-PCC standard.
- Abstract(参考訳): 動的点雲の最近の発展は、自然界を模倣し、生命の質を大いに支援する可能性をもたらした。
しかし、ブロードキャストを成功させるためには、ダイナミックポイントクラウドは従来のビデオに比べて大量のデータを必要とするため、高い圧縮を必要とする。
最近、MPEGはV-PCCとして知られるビデオベースのPoint Cloud Compression標準を確定した。
しかしながら、V-PCCは、高価な正規計算とセグメント化のために膨大な計算時間を必要とし、いくつかの点を犠牲にして2Dパッチの数を制限し、2Dフレーム内の全ての空間を占有することができない。
提案手法は,新しい断面法を用いてこれらの制限に対処する。
このアプローチは、高価な正規推定とセグメンテーションを削減し、より多くの点を保持し、2次元フレーム生成のためにVPCCよりも多くの空間を利用する。
標準ビデオシーケンスを用いた実験結果から,V-PCC標準と比較して幾何学的およびテクスチャ的データの圧縮性が向上することが示された。
関連論文リスト
- Color Enhancement for V-PCC Compressed Point Cloud via 2D Attribute Map Optimization [8.21390074063036]
ビデオベースのポイントクラウド圧縮(V-PCC)は、動的ポイントクラウドデータをビデオシーケンスに変換する。
本稿では,V-PCC圧縮点雲の色質向上を目的としたフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-19T01:58:00Z) - Implicit Neural Compression of Point Clouds [58.45774938982386]
NeRC$textbf3$は、暗黙の神経表現を利用して、幾何学と属性の両方を扱う新しいポイントクラウド圧縮フレームワークである。
動的点雲の場合、4D-NeRC$textbf3$は最先端のG-PCCやV-PCC標準よりも優れた幾何圧縮を示す。
論文 参考訳(メタデータ) (2024-12-11T03:22:00Z) - 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) - Improved Video VAE for Latent Video Diffusion Model [55.818110540710215]
ビデオオートエンコーダ(VAE)は、ピクセルデータを低次元の潜在空間に圧縮することを目的としており、OpenAIのSoraで重要な役割を果たしている。
既存のVAEのほとんどは、時間空間圧縮のために3次元因果構造に事前訓練された画像VAEを注入する。
ビデオVAE(IV-VAE)をさらに改善するための新しいKTCアーキテクチャとGCConvモジュールを提案する。
論文 参考訳(メタデータ) (2024-11-10T12:43:38Z) - The JPEG Pleno Learning-based Point Cloud Coding Standard: Serving Man and Machine [49.16996486119006]
ディープラーニングは、ポイントクラウドコーディングの強力なツールとして登場した。
JPEGは先日、JPEG Pleno LearningベースのPoint Cloud Coding標準を確定した。
本稿ではJPEG PCC標準の完全な技術的記述を提供する。
論文 参考訳(メタデータ) (2024-09-12T15:20:23Z) - Hierarchical Prior-based Super Resolution for Point Cloud Geometry
Compression [39.052583172727324]
幾何学に基づくポイントクラウド圧縮(G-PCC)は、ポイントクラウドを圧縮するために移動画像専門家グループによって開発された。
本稿では,点雲幾何学的圧縮のための階層的事前分解能超解法を提案する。
論文 参考訳(メタデータ) (2024-02-17T11:15:38Z) - Efficient dynamic point cloud coding using Slice-Wise Segmentation [10.850101961203748]
MPEGは最近、ダイナミックポイントクラウドコーディングのためのビデオベースのポイントクラウド圧縮(V-PCC)標準を開発した。
V-PCCを用いたデータ不足の主な原因は、3Dから2Dプロジェクションへのパッチ生成と自己隠蔽点である。
本稿では, 重複スライシングを導入し, 発生するパッチ数と損失データ量を削減する手法を提案する。
論文 参考訳(メタデータ) (2022-08-17T04:23:45Z) - Inter-Frame Compression for Dynamic Point Cloud Geometry Coding [14.79613731546357]
本稿では,従来のフレームを用いて,現在のフレームの潜在表現を予測する圧縮手法を提案する。
提案するネットワークは,階層型マルチスケール3次元特徴学習による畳み込みを利用して,現在のフレームを符号化する。
提案手法は, G-PCCv20 Octreeに対して88%以上のBD-Rate (Bjontegaard Delta Rate)削減を実現する。
論文 参考訳(メタデータ) (2022-07-25T22:17:19Z) - Learned Video Compression via Heterogeneous Deformable Compensation
Network [78.72508633457392]
不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。
より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。
実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-07-11T02:31:31Z) - Efficient VVC Intra Prediction Based on Deep Feature Fusion and
Probability Estimation [57.66773945887832]
本稿では,フレーム内予測におけるVersatile Video Coding (VVC) の複雑性を,深層融合と確率推定の2段階のフレームワークを用いて最適化することを提案する。
特に高精細度(HD)および超高精細度(UHD)ビデオシーケンスにおいて,提案手法の優位性を示す実験結果が得られた。
論文 参考訳(メタデータ) (2022-05-07T08:01:32Z) - Multiscale Point Cloud Geometry Compression [29.605320327889142]
本稿では,3次元ポイント・クラウド・ジオメトリを階層的に再構築するマルチスケール・ツー・エンド・ラーニング・フレームワークを提案する。
このフレームワークは、ポイントクラウド圧縮と再構成のためのスパース畳み込みベースのオートエンコーダの上に開発されている。
論文 参考訳(メタデータ) (2020-11-07T16:11:16Z)
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。