論文の概要: 4DAC: Learning Attribute Compression for Dynamic Point Clouds

• arxiv url: http://arxiv.org/abs/2204.11723v1
• Date: Mon, 25 Apr 2022 15:30:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 15:40:34.938424
• Title: 4DAC: Learning Attribute Compression for Dynamic Point Clouds
• Title（参考訳）: 4DAC: ダイナミックポイントクラウドのための属性圧縮学習
• Authors: Guangchi Fang, Qingyong Hu, Yiling Xu, Yulan Guo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.447460254690135
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the development of the 3D data acquisition facilities, the increasing scale of acquired 3D point clouds poses a challenge to the existing data compression techniques. Although promising performance has been achieved in static point cloud compression, it remains under-explored and challenging to leverage temporal correlations within a point cloud sequence for effective dynamic point cloud compression. In this paper, we study the attribute (e.g., color) compression of dynamic point clouds and present a learning-based framework, termed 4DAC. To reduce temporal redundancy within data, we first build the 3D motion estimation and motion compensation modules with deep neural networks. Then, the attribute residuals produced by the motion compensation component are encoded by the region adaptive hierarchical transform into residual coefficients. In addition, we also propose a deep conditional entropy model to estimate the probability distribution of the transformed coefficients, by incorporating temporal context from consecutive point clouds and the motion estimation/compensation modules. Finally, the data stream is losslessly entropy coded with the predicted distribution. Extensive experiments on several public datasets demonstrate the superior compression performance of the proposed approach.
• Abstract（参考訳）: 3Dデータ取得機能の開発により、取得した3Dポイントクラウドの規模が大きくなることは、既存のデータ圧縮技術に課題をもたらす。 静的ポイントクラウド圧縮では有望な性能が達成されているが、有効な動的ポイントクラウド圧縮のためにポイントクラウドシーケンス内の時間的相関を利用するのは、まだ未検討であり、困難である。 本稿では,動的点雲の属性(例えば色)の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。 そして、動き補償成分によって生成された属性残差を領域適応階層変換により残差係数に符号化する。 また,連続点群と運動推定・補償加群から時間的文脈を取り入れ,変換係数の確率分布を推定するための深い条件エントロピーモデルを提案する。 そして、予測分布で符号化されたデータストリームがロスレスエントロピーとなる。 いくつかの公開データセットに対する大規模な実験は、提案手法の優れた圧縮性能を示す。

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 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)
• Learning Dynamic Point Cloud Compression via Hierarchical Inter-frame Block Matching [35.80653765524654]
  3Dダイナミックポイントクラウド(DPC)圧縮は、その時間的コンテキストのマイニングに依存している。 本稿では,階層的ブロックマッチングに基づく予測モジュールを用いた学習型DPC圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T11:44:13Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• D-DPCC: Deep Dynamic Point Cloud Compression via 3D Motion Prediction [18.897023700334458]
  本稿では,新しい3次元スパース畳み込みを用いたDeep Dynamic Point Cloud Compressionネットワークを提案する。 DPC形状を3次元の運動推定と特徴空間での運動補償で補償し圧縮する。 実験結果から,提案したD-DPCCフレームワークは,映像ベースのポイントクラウド圧縮(V-PCC)v13に対して,平均76%のBDレート(Bjontegaard Delta Rate)を達成した。
  論文  参考訳（メタデータ） (2022-05-02T18:10:45Z)
• 3DAC: Learning Attribute Compression for Point Clouds [35.78404985164711]
  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。
  論文  参考訳（メタデータ） (2022-03-17T09:42:36Z)
• 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)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。