Fugu-MT 論文翻訳(概要): RIDDLE: Lidar Data Compression with Range Image Deep Delta Encoding

論文の概要: RIDDLE: Lidar Data Compression with Range Image Deep Delta Encoding

arxiv url: http://arxiv.org/abs/2206.01738v1
Date: Thu, 2 Jun 2022 21:53:43 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 17:15:33.927346
Title: RIDDLE: Lidar Data Compression with Range Image Deep Delta Encoding
Title（参考訳）: RIDDLE:Range Image Deep Delta Encodingによるライダーデータ圧縮
Authors: Xuanyu Zhou, Charles R. Qi, Yin Zhou, Dragomir Anguelov
Abstract要約: ライダーは、自律運転や拡張現実に広く使われている深度測定センサーである。ライダーが生成する大量のデータは、データストレージと送信のコストが高くなる可能性がある。 RIDDLE (Range Image Deep DeLta) と呼ばれる新しいデータ駆動レンジ画像圧縮アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 21.70770383279559
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lidars are depth measuring sensors widely used in autonomous driving and augmented reality. However, the large volume of data produced by lidars can lead to high costs in data storage and transmission. While lidar data can be represented as two interchangeable representations: 3D point clouds and range images, most previous work focus on compressing the generic 3D point clouds. In this work, we show that directly compressing the range images can leverage the lidar scanning pattern, compared to compressing the unprojected point clouds. We propose a novel data-driven range image compression algorithm, named RIDDLE (Range Image Deep DeLta Encoding). At its core is a deep model that predicts the next pixel value in a raster scanning order, based on contextual laser shots from both the current and past scans (represented as a 4D point cloud of spherical coordinates and time). The deltas between predictions and original values can then be compressed by entropy encoding. Evaluated on the Waymo Open Dataset and KITTI, our method demonstrates significant improvement in the compression rate (under the same distortion) compared to widely used point cloud and range image compression algorithms as well as recent deep methods.
Abstract（参考訳）: lidarは、自動運転や拡張現実で広く使われている深度測定センサーである。しかし、ライダーが生成する大量のデータは、データストレージと送信のコストが高くなる可能性がある。 lidarデータは3dポイントクラウドとレンジイメージの2つの交換可能な表現として表現できるが、ほとんどの以前の作業は一般的な3dポイントクラウドの圧縮に焦点を当てている。本研究では, 距離画像を直接圧縮することで, 非投影点雲を圧縮することに比べ, ライダー走査パターンを活用できることを示す。 RIDDLE (Range Image Deep DeLta Encoding) と呼ばれる新しいデータ駆動レンジ画像圧縮アルゴリズムを提案する。コアとなるのは、現在のスキャンと過去のスキャンの両方(球面座標と時間からなる4Dポイント雲として表される)のコンテキストレーザーショットに基づいて、ラスター走査順序で次のピクセル値を予測するディープモデルである。予測と元の値の間のデルタはエントロピー符号化によって圧縮できる。 Waymo Open Dataset と KITTI を用いて評価した結果, 広範に使用されている点群と範囲画像圧縮アルゴリズム, および最近のディープ手法と比較して, 圧縮速度(同じ歪み下で)が大幅に向上したことを示す。

関連論文リスト

PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文参考訳（メタデータ） (2024-07-19T06:29:57Z)
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)
3D Compression Using Neural Fields [90.24458390334203]
我々は3次元データに対する新しいNFベースの圧縮アルゴリズムを提案する。本手法は,メッシュだけでなく3次元点雲上の幾何学的圧縮も優れていることを示す。圧縮アルゴリズムを拡張して3Dデータの幾何と属性(色など)を圧縮するのは簡単である。
論文参考訳（メタデータ） (2023-11-21T21:36:09Z)
Converting Depth Images and Point Clouds for Feature-based Pose Estimation [0.0]
本稿では,従来の奥行き画像に隠された空間的細部を可視化し,深度データを画像に変換する手法を提案する。 Bearing Angleの画像と比較すると、より鮮やかでコントラストの高い画像が得られる。
論文参考訳（メタデータ） (2023-10-23T13:29:42Z)
Poster: Making Edge-assisted LiDAR Perceptions Robust to Lossy Point Cloud Compression [0.0]
損失圧縮による知覚性能損失を軽減するため,LiDAR点雲の品質を向上するアルゴリズムを提案する。既存の画像アルゴリズムと比較して,距離画像から点雲を再構成した場合の定性的な結果が得られた。
論文参考訳（メタデータ） (2023-09-08T18:34:48Z)
TriVol: Point Cloud Rendering via Triple Volumes [57.305748806545026]
我々は,高密度かつ軽量な3D表現であるTriVolをNeRFと組み合わせて,点雲から写実的な画像を描画する。我々のフレームワークは、微調整なしでシーン/オブジェクトのカテゴリを描画できる優れた一般化能力を持っている。
論文参考訳（メタデータ） (2023-03-29T06:34:12Z)
Point2Pix: Photo-Realistic Point Cloud Rendering via Neural Radiance Fields [63.21420081888606]
最近の放射場と拡張法は、2次元入力から現実的な画像を合成するために提案されている。我々は3次元スパース点雲と2次元高密度画像画素を結びつけるための新しい点としてPoint2Pixを提示する。
論文参考訳（メタデータ） (2023-03-29T06:26:55Z)
Crowd Counting on Heavily Compressed Images with Curriculum Pre-Training [90.76576712433595]
ディープニューラルネットワークによって処理された画像に損失圧縮を適用することで、大幅な精度低下につながる可能性がある。カリキュラム学習のパラダイムに着想を得て,圧縮画像の群集カウントのためのカリキュラム事前学習(CPT)と呼ばれる新しいトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-08-15T08:43:21Z)
Accelerated Deep Lossless Image Coding with Unified Paralleleized GPU Coding Architecture [1.2124289787900182]
我々のアルゴリズムはエントロピーエンコーダと組み合わせたニューラルネットワークに基づいている。ニューラルネットワークは、ソース画像の各画素に対して密度推定を行う。次に、密度推定を用いて対象画素を符号化し、圧縮率でFLIFを上回ります。
論文参考訳（メタデータ） (2022-07-11T19:34:56Z)
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)
VPFNet: Improving 3D Object Detection with Virtual Point based LiDAR and Stereo Data Fusion [62.24001258298076]
VPFNetは、ポイントクラウドとイメージデータを仮想のポイントで巧みに調整し集約する新しいアーキテクチャである。当社のVPFNetは,KITTIテストセットで83.21%の中等度3D AP,91.86%中等度BEV APを達成し,2021年5月21日以来の1位となった。
論文参考訳（メタデータ） (2021-11-29T08:51:20Z)

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。