論文の概要: Efficient LiDAR Point Cloud Geometry Compression Through Neighborhood
Point Attention
- arxiv url: http://arxiv.org/abs/2208.12573v1
- Date: Fri, 26 Aug 2022 10:44:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:31:58.414632
- Title: Efficient LiDAR Point Cloud Geometry Compression Through Neighborhood
Point Attention
- Title(参考訳): 隣接点注意による効率的なLiDAR点雲形状圧縮
- Authors: Ruixiang Xue, Jianqiang Wang, Zhan Ma
- Abstract要約: この研究は、それらに取り組むための近隣点注意(NPA)を示唆している。
まず、k近辺(kNN)を用いて、適応的な地域地区を構築する。
そして、この地区内の情報を動的に集約するために自己認識機構を利用する。
- 参考スコア(独自算出の注目度): 25.054578678654796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although convolutional representation of multiscale sparse tensor
demonstrated its superior efficiency to accurately model the occupancy
probability for the compression of geometry component of dense object point
clouds, its capacity for representing sparse LiDAR point cloud geometry (PCG)
was largely limited. This is because 1) fixed receptive field of the
convolution cannot characterize extremely and unevenly distributed sparse LiDAR
points very well; and 2) pretrained convolutions with fixed weights are
insufficient to dynamically capture information conditioned on the input. This
work therefore suggests the neighborhood point attention (NPA) to tackle them,
where we first use k nearest neighbors (kNN) to construct adaptive local
neighborhood; and then leverage the self-attention mechanism to dynamically
aggregate information within this neighborhood. Such NPA is devised as a
NPAFormer to best exploit cross-scale and same-scale correlations for geometric
occupancy probability estimation. Compared with the anchor using standardized
G-PCC, our method provides >17% BD-rate gains for lossy compression, and >14%
bitrate reduction for lossless scenario using popular LiDAR point clouds in
SemanticKITTI and Ford datasets. Compared with the state-of-the-art (SOTA)
solution using attention optimized octree coding method, our approach requires
much less decoding runtime with about 640 times speedup on average, while still
presenting better compression efficiency.
- Abstract(参考訳): マルチスケールスパーステンソルの畳み込み表現は、高密度物体点雲の幾何成分の圧縮の占有確率を正確にモデル化する上で優れた効率を示したが、スパースLiDAR点雲幾何(PCG)の表現能力は大きく制限された。
これは
1) 畳み込みの固定受容場は、極端に均一に分散したスパースLiDAR点を非常に特徴付けることができない。
2) 固定重み付き事前訓練した畳み込みは, 入力に条件付けられた情報を動的に捉えるには不十分である。
そこで本研究は,k-nearly neighbors (knn) を用いて適応型局所的近傍を構築し,その近傍の情報を動的に集約するセルフ・アテンション機構を活用した,近傍点注意 (npa) に取り組むことを示唆する。
このようなNPAは、幾何学的占有確率推定のためのクロススケールおよび等スケール相関を最大限に活用するために、NPAFormerとして考案されている。
標準G-PCCを用いたアンカーと比較して,損失圧縮では17%のBDレートゲイン,セマンティックKITTIとFordデータセットでは人気のあるLiDAR点雲を用いて14%のビットレート削減を実現している。
注意を最適化したoctreeコーディング手法を用いたsota(state-of-the-art)ソリューションと比較すると,本手法では,平均640倍の高速化を実現するとともに,圧縮効率も向上する。
関連論文リスト
- Point Cloud Compression via Constrained Optimal Transport [10.795619052889952]
COT-PCCは最適輸送の余分な制約として圧縮された特徴を用いる。
元の点と再構成された点の間の分布変換を学習する。
COT-PCCはCDとPSNRの両方で最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-03-13T04:36:24Z) - Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳(メタデータ) (2024-02-07T16:32:29Z) - CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal
Distance and Multi-scale Geometry [23.86650228464599]
この研究は、点雲から正規度を推定するための正確で堅牢な方法を示す。
まず,この問題に対処するため,シャンファー正規距離(Chamfer Normal Distance)と呼ばれる新しい尺度を提案する。
マルチスケールな局所的特徴集約と階層的幾何情報融合を含む革新的なアーキテクチャを考案する。
論文 参考訳(メタデータ) (2023-12-14T17:23:16Z) - Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳(メタデータ) (2023-04-27T13:52:01Z) - GraphFit: Learning Multi-scale Graph-Convolutional Representation for
Point Cloud Normal Estimation [31.40738037512243]
本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。
我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。
提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
論文 参考訳(メタデータ) (2022-07-23T10:29:26Z) - Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。
非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文 参考訳(メタデータ) (2022-07-09T08:03:59Z) - 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) - Sparse Tensor-based Multiscale Representation for Point Cloud Geometry
Compression [18.24902526033056]
Sparse Processing (STP) を用いたVoxelized PCGのマルチスケール表現による統合ポイントクラウド幾何 (PCG) 圧縮手法を開発した。
複雑性を適用することで複雑性を著しく減少させるのは、最も確率の高いVoxels(MP-POV)を中心とした畳み込みのみを実行するためである。
提案手法は,すべてのスケールでモデル共有を行うため,ポイントワイズによる軽量な複雑性と,小さなストレージ欲求を示す。
論文 参考訳(メタデータ) (2021-11-20T17:02:45Z) - MuSCLE: Multi Sweep Compression of LiDAR using Deep Entropy Models [78.93424358827528]
本稿では,LiDARセンサデータのストレージストリームを削減するための新しい圧縮アルゴリズムを提案する。
本手法は,従来のLiDAR圧縮法よりも接合形状と強度を著しく低減する。
論文 参考訳(メタデータ) (2020-11-15T17:41:14Z) - OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression [77.8842824702423]
本稿では,LiDAR点雲のメモリフットプリントを削減するための新しいディープ圧縮アルゴリズムを提案する。
本手法は,メモリフットプリントを低減するために,点間の間隔と構造的冗長性を利用する。
我々のアルゴリズムは、自動運転車などのアプリケーションにおいて、LiDARポイントのオンボードおよびオフボードストレージを減らすために使用できる。
論文 参考訳(メタデータ) (2020-05-14T17:48:49Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳(メタデータ) (2020-03-30T13:45:27Z)
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。