論文の概要: GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression

• arxiv url: http://arxiv.org/abs/2209.04401v1
• Date: Fri, 9 Sep 2022 17:09:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-12 13:04:29.351373
• Title: GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression
• Title（参考訳）: GRASP-Net:ポイントクラウド圧縮のための幾何学的残留解析と合成
• Authors: Jiahao Pang, Muhammad Asad Lodhi, Dong Tian
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.98171403698783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud compression (PCC) is a key enabler for various 3-D applications, owing to the universality of the point cloud format. Ideally, 3D point clouds endeavor to depict object/scene surfaces that are continuous. Practically, as a set of discrete samples, point clouds are locally disconnected and sparsely distributed. This sparse nature is hindering the discovery of local correlation among points for compression. Motivated by an analysis with fractal dimension, we propose a heterogeneous approach with deep learning for lossy point cloud geometry compression. On top of a base layer compressing a coarse representation of the input, an enhancement layer is designed to cope with the challenging geometric residual/details. Specifically, a point-based network is applied to convert the erratic local details to latent features residing on the coarse point cloud. Then a sparse convolutional neural network operating on the coarse point cloud is launched. It utilizes the continuity/smoothness of the coarse geometry to compress the latent features as an enhancement bit-stream that greatly benefits the reconstruction quality. When this bit-stream is unavailable, e.g., due to packet loss, we support a skip mode with the same architecture which generates geometric details from the coarse point cloud directly. Experimentation on both dense and sparse point clouds demonstrate the state-of-the-art compression performance achieved by our proposal. Our code is available at https://github.com/InterDigitalInc/GRASP-Net.
• Abstract（参考訳）: ポイントクラウド圧縮(PCC)は、ポイントクラウドフォーマットの普遍性のため、様々な3Dアプリケーションにとって重要なイネーブルである。 理想的には、3Dポイントの雲は連続したオブジェクト/シーンの表面を描いている。 実際、離散的なサンプルの集合として、点雲は局所的に切断され、わずかに分散される。 このスパースの性質は圧縮点間の局所的相関の発見を妨げる。 フラクタル次元を用いた解析により,損失点雲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。 入力の粗い表現を圧縮するベース層の上には、難解な幾何学的残差/詳細を扱うようにエンハンスメント層が設計されている。 具体的には、不規則なローカル詳細を粗いポイントクラウドに存在する潜在機能に変換するために、ポイントベースのネットワークが適用される。 そして、粗点クラウド上で動作する疎畳み込みニューラルネットワークを起動する。 粗い幾何学の連続性/滑らかさを利用し、潜在的な特徴を拡張ビットストリームとして圧縮し、復元品質に大きな恩恵を与える。 このビットストリームが利用できない場合、例えばパケットロスのために、粗い点雲から直接幾何学的詳細を生成する同じアーキテクチャでスキップモードをサポートします。 密集点雲と疎開点雲の実験により,本提案により得られた最先端圧縮性能を実証した。 私たちのコードはhttps://github.com/InterDigitalInc/GRASP-Net.orgから入手可能です。

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)
• 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)
• 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)
• GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
  本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。 実験結果から,本手法は最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:33:45Z)
• Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
  我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。 空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。 ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
  論文  参考訳（メタデータ） (2022-12-11T19:55:24Z)
• 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)
• 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)
• Patch-Based Deep Autoencoder for Point Cloud Geometry Compression [8.44208490359453]
  本稿では,ディープラーニングを用いたパッチベースの圧縮プロセスを提案する。 私たちはポイントクラウドをパッチに分割し、各パッチを個別に圧縮します。 復号処理では、最終的に圧縮されたパッチを完全な点クラウドに組み立てる。
  論文  参考訳（メタデータ） (2021-10-18T08:59:57Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• 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)
• 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。