論文の概要: CARNet:Compression Artifact Reduction for Point Cloud Attribute
- arxiv url: http://arxiv.org/abs/2209.08276v1
- Date: Sat, 17 Sep 2022 08:05:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:20:54.751813
- Title: CARNet:Compression Artifact Reduction for Point Cloud Attribute
- Title(参考訳): CARNet:ポイントクラウド属性の圧縮アーチファクト削減
- Authors: Dandan Ding, Junzhe Zhang, Jianqiang Wang, Zhan Ma
- Abstract要約: 圧縮アーチファクトを低減するため,Geometry-based Point Cloud Compression (G-PCC) 標準の学習型適応ループフィルタを開発した。
提案手法は, 圧縮歪み近似として複数のMPSOを生成し, アーティファクト緩和のために線形に重み付けする。
- 参考スコア(独自算出の注目度): 37.78660069355263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A learning-based adaptive loop filter is developed for the Geometry-based
Point Cloud Compression (G-PCC) standard to reduce attribute compression
artifacts. The proposed method first generates multiple Most-Probable Sample
Offsets (MPSOs) as potential compression distortion approximations, and then
linearly weights them for artifact mitigation. As such, we drive the filtered
reconstruction as close to the uncompressed PCA as possible. To this end, we
devise a Compression Artifact Reduction Network (CARNet) which consists of two
consecutive processing phases: MPSOs derivation and MPSOs combination. The
MPSOs derivation uses a two-stream network to model local neighborhood
variations from direct spatial embedding and frequency-dependent embedding,
where sparse convolutions are utilized to best aggregate information from
sparsely and irregularly distributed points. The MPSOs combination is guided by
the least square error metric to derive weighting coefficients on the fly to
further capture content dynamics of input PCAs. The CARNet is implemented as an
in-loop filtering tool of the GPCC, where those linear weighting coefficients
are encapsulated into the bitstream with negligible bit rate overhead.
Experimental results demonstrate significant improvement over the latest GPCC
both subjectively and objectively.
- Abstract(参考訳): Geometry-based Point Cloud Compression (G-PCC) 標準の学習型適応ループフィルタを開発した。
提案手法は, 圧縮歪近似としてmpsos (most-probable sample offsets) を複数生成し, 人工物除去のために線形重み付けを行う。
そのため, フィルタされた再構成は, 可能な限り非圧縮PCAに近いように運転する。
この目的のために,MPSOとMPSOの組み合わせの2つの連続処理フェーズからなる圧縮アーチファクト削減ネットワーク(CARNet)を考案した。
MPSOの導出は、2ストリームネットワークを用いて直接空間埋め込みと周波数依存埋め込みから局所近傍の変動をモデル化し、スパース畳み込みを利用してスパースおよび不規則に分散した点からの情報を最適に集約する。
MPSOの組み合わせは最小二乗誤差で導かれ、ハエの重み付け係数を導出し、入力PCAのコンテンツダイナミクスをさらに捉える。
CARNetはGPCCのループ内フィルタリングツールとして実装されており、これらの線形重み付け係数は無視できるビットレートオーバーヘッドでビットストリームにカプセル化される。
実験の結果,最新のgpccと比較して主観的および客観的に有意な改善が認められた。
関連論文リスト
- Practical Compact Deep Compressed Sensing [9.747987976900085]
汎用画像CSのためのPCNetという,実用的でコンパクトなネットワークを提案する。
PCNetでは、ディープ条件フィルタリングステップとデュアルブランチ高速サンプリングステップからなる新しい協調サンプリング演算子が設計されている。
我々のPCNetは、再構成のための改良された勾配降下アルゴリズム付きネットワークを備えている。
論文 参考訳(メタデータ) (2024-11-20T07:17:16Z) - SPAC: Sampling-based Progressive Attribute Compression for Dense Point Clouds [51.313922535437726]
本研究では,高密度点雲のエンドツーエンド圧縮法を提案する。
提案手法は,周波数サンプリングモジュール,適応スケール特徴抽出モジュール,幾何支援モジュール,大域的ハイパープライアエントロピーモデルを組み合わせた。
論文 参考訳(メタデータ) (2024-09-16T13:59:43Z) - Efficient and Generic Point Model for Lossless Point Cloud Attribute Compression [28.316347464011056]
PoLoPCACは、高い圧縮効率と強力な一般化性を同時に達成する効率的で汎用的なPCAC手法である。
提案手法は,Synthetic 2k-ShapeNetデータセットでトレーニングした時に即座にデプロイできる。
実験により, 各種データセット上でのG-PCCv23よりも連続的にビットレートを低減できることがわかった。
論文 参考訳(メタデータ) (2024-04-10T11:40:02Z) - 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) - Filter Pruning for Efficient CNNs via Knowledge-driven Differential
Filter Sampler [103.97487121678276]
フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。
本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
論文 参考訳(メタデータ) (2023-07-01T02:28:41Z) - Asymptotic Soft Cluster Pruning for Deep Neural Networks [5.311178623385279]
フィルタプルーニング法は, 選択したフィルタを除去することにより, 構造的疎結合を導入する。
Asymptotic Soft Cluster Pruning と呼ばれる新しいフィルタプルーニング法を提案する。
提案手法は,多くの最先端アルゴリズムと比較して,競合的な結果が得られる。
論文 参考訳(メタデータ) (2022-06-16T13:58:58Z) - 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) - Dynamic Probabilistic Pruning: A general framework for
hardware-constrained pruning at different granularities [80.06422693778141]
異なる粒度(重み、カーネル、フィルタ/フィーチャーマップ)での刈り取りを容易にするフレキシブルな新しい刈り取り機構を提案する。
このアルゴリズムをDPP(Dynamic Probabilistic Pruning)と呼ぶ。
DPPは、画像分類のための異なるベンチマークデータセットで訓練された一般的なディープラーニングモデルを刈り取る際に、競合圧縮率と分類精度を達成する。
論文 参考訳(メタデータ) (2021-05-26T17:01:52Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳(メタデータ) (2021-03-10T03:59:03Z) - Unfolding Neural Networks for Compressive Multichannel Blind
Deconvolution [71.29848468762789]
圧縮性多チャネルブラインドデコンボリューション問題に対する学習構造付き展開型ニューラルネットワークを提案する。
この問題では、各チャネルの測定は共通のソース信号とスパースフィルタの畳み込みとして与えられる。
提案手法は,従来の圧縮型マルチチャネルブラインドデコンボリューション法よりも,スパースフィルタの精度と高速化の点で優れていることを示す。
論文 参考訳(メタデータ) (2020-10-22T02:34:33Z)
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。