論文の概要: Deep Geometry Post-Processing for Decompressed Point Clouds
- arxiv url: http://arxiv.org/abs/2204.13952v1
- Date: Fri, 29 Apr 2022 08:57:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 00:28:12.623493
- Title: Deep Geometry Post-Processing for Decompressed Point Clouds
- Title(参考訳): 減圧点雲の深部幾何後処理
- Authors: Xiaoqing Fan, Ge Li, Dingquan Li, Yurui Ren, Wei Gao, Thomas H. Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 32.72083309729585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud compression plays a crucial role in reducing the huge cost of
data storage and transmission. However, distortions can be introduced into the
decompressed point clouds due to quantization. In this paper, we propose a
novel learning-based post-processing method to enhance the decompressed point
clouds. Specifically, a voxelized point cloud is first divided into small
cubes. Then, a 3D convolutional network is proposed to predict the occupancy
probability for each location of a cube. We leverage both local and global
contexts by generating multi-scale probabilities. These probabilities are
progressively summed to predict the results in a coarse-to-fine manner.
Finally, we obtain the geometry-refined point clouds based on the predicted
probabilities. Different from previous methods, we deal with decompressed point
clouds with huge variety of distortions using a single model. Experimental
results show that the proposed method can significantly improve the quality of
the decompressed point clouds, achieving 9.30dB BDPSNR gain on three
representative datasets on average.
- Abstract(参考訳): 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。
しかし、量子化によって圧縮された点雲に歪みを導入することができる。
本稿では,非圧縮点雲を増大させる学習に基づくポストプロセッシング手法を提案する。
具体的には、酸化された点雲をまず小さな立方体に分割する。
次に,立方体の各位置の占有確率を予測するために,3次元畳み込みネットワークを提案する。
マルチスケール確率を生成することで,局所的およびグローバル的コンテキストを両立させる。
これらの確率は漸進的に累積され、粗い意味で結果を予測する。
最後に, 予測確率に基づいて, 幾何精細点雲を得る。
従来の手法と異なり,単一モデルを用いて多種多様な歪みを持つ非圧縮点雲を扱う。
実験の結果,提案手法は3つの代表データセットで平均9.30db bdpsnrゲインを達成することにより,除圧点群の品質を著しく向上できることがわかった。
関連論文リスト
- 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) - Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。
デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。
実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
論文 参考訳(メタデータ) (2023-07-18T06:11:09Z) - 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) - Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent
with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。
提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文 参考訳(メタデータ) (2023-04-24T06:36:35Z) - 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) - 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) - Learning Gradient Fields for Shape Generation [69.85355757242075]
点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。
非正規化確率密度の勾配上昇を行うことで点雲を生成する。
本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
論文 参考訳(メタデータ) (2020-08-14T18:06:15Z) - 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。