論文の概要: IT/IST/IPLeiria Response to the Call for Proposals on JPEG Pleno Point Cloud Coding

• arxiv url: http://arxiv.org/abs/2208.02716v1
• Date: Thu, 4 Aug 2022 15:19:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-05 12:56:26.937032
• Title: IT/IST/IPLeiria Response to the Call for Proposals on JPEG Pleno Point Cloud Coding
• Title（参考訳）: JPEG Pleno Point Cloud Codingの提案に対するIT/IST/IPLeiria応答
• Authors: Andr\'e F. R. Guarda (1), Nuno M. M. Rodrigues (2), Manuel Ruivo (1), Lu\'is Coelho (1), Abdelrahman Seleem (1), Fernando Pereira (1) ((1) Instituto Superior T\'ecnico - Universidade de Lisboa, and Instituto de Telecomunica\c{c}\~oes, Lisbon, Portugal, (2) ESTG, Polit\'ecnico de Leiria and Instituto de Telecomunica\c{c}\~oes, Leiria, Portugal)
• Abstract要約: この文書では、ディープラーニングベースのポイントクラウド幾何学と、ディープラーニングベースのポイントクラウドジョイント幾何学とカラーについて記述する。 これは2022年1月に発行されたJPEG Pleno Point Cloud CodingのCall for Proposalsに提出された。
• 参考スコア（独自算出の注目度）: 41.74498230885008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This document describes a deep learning-based point cloud geometry codec and a deep learning-based point cloud joint geometry and colour codec, submitted to the Call for Proposals on JPEG Pleno Point Cloud Coding issued in January 2022. The proposed codecs are based on recent developments in deep learning-based PC geometry coding and offer some of the key functionalities targeted by the Call for Proposals. The proposed geometry codec offers a compression efficiency that outperforms the MPEG G-PCC standard and outperforms or is competitive with the V-PCC Intra standard for the JPEG Call for Proposals test set; however, the same does not happen for the joint geometry and colour codec due to a quality saturation effect that needs to be overcome.
• Abstract（参考訳）: 本書では,2022年1月に発行されたjpeg pleno point cloud codingに関する提案書に対して,ディープラーニングベースのpoint cloud geometry codecと,deep learningベースのpoint cloud joint geometry and color codecについて述べる。 提案したコーデックは、ディープラーニングベースのPC幾何コーディングの最近の発展に基づいており、Call for Proposalsがターゲットとする重要な機能を提供している。 提案したジオメトリコーデックは、MPEG G-PCC標準を上回り、JPEG Call for ProposalsテストセットのV-PCCイントラ標準と競合する圧縮効率を提供するが、品質飽和効果のため、ジョイントジオメトリとカラーコーデックでは同じことが起こらない。

関連論文リスト

• 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)
• Pointsoup: High-Performance and Extremely Low-Decoding-Latency Learned Geometry Codec for Large-Scale Point Cloud Scenes [15.262269044326915]
  Pointsoupは、高性能かつ極低復号レイテンシを同時に達成する、効率的な学習ベースの幾何学である。 単一のニューラルモデル(2.9MB)で可変レート制御を提供する。
  論文  参考訳（メタデータ） (2024-04-21T06:31:29Z)
• 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)
• 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)
• SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
  本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。 提案した演算子は、最大プールやボキセル化操作を一切必要としない。 提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-08T15:31:36Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• 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)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)

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。