論文の概要: Multiscale Latent-Guided Entropy Model for LiDAR Point Cloud Compression
- arxiv url: http://arxiv.org/abs/2209.12512v1
- Date: Mon, 26 Sep 2022 08:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 17:44:42.790731
- Title: Multiscale Latent-Guided Entropy Model for LiDAR Point Cloud Compression
- Title（参考訳）: LiDAR点雲圧縮のためのマルチスケール遅延ガイドエントロピーモデル
- Authors: Tingyu Fan, Linyao Gao, Yiling Xu, Dong Wang and Zhu Li
- Abstract要約: LiDAR点雲(LPC)の非均一分布と極めてスパースの性質は、その高効率圧縮に重大な課題をもたらす。
本稿では,従来のLPCをオクツリー構造にエンコードし,階層的にオクツリーエントロピーモデルを階層的に分解する,エンド・ツー・エンドで完全に構成された新しいディープ・フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 18.897023700334458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The non-uniform distribution and extremely sparse nature of the LiDAR point
cloud (LPC) bring significant challenges to its high-efficient compression.
This paper proposes a novel end-to-end, fully-factorized deep framework that
encodes the original LPC into an octree structure and hierarchically decomposes
the octree entropy model in layers. The proposed framework utilizes a
hierarchical latent variable as side information to encapsulate the sibling and
ancestor dependence, which provides sufficient context information for the
modelling of point cloud distribution while enabling the parallel encoding and
decoding of octree nodes in the same layer. Besides, we propose a residual
coding framework for the compression of the latent variable, which explores the
spatial correlation of each layer by progressive downsampling, and model the
corresponding residual with a fully-factorized entropy model. Furthermore, we
propose soft addition and subtraction for residual coding to improve network
flexibility. The comprehensive experiment results on the LiDAR benchmark
SemanticKITTI and MPEG-specified dataset Ford demonstrates that our proposed
framework achieves state-of-the-art performance among all the previous LPC
frameworks. Besides, our end-to-end, fully-factorized framework is proved by
experiment to be high-parallelized and time-efficient and saves more than 99.8%
of decoding time compared to previous state-of-the-art methods on LPC
compression.
- Abstract（参考訳）: LiDAR点雲(LPC)の非均一分布と極めてスパースの性質は、その高効率圧縮に重大な課題をもたらす。
本稿では,オリジナルlpcをoctree構造にエンコードし,階層的にoctreeエントロピーモデルを階層的に分解する,エンド・ツー・エンドの完全分解型深層フレームワークを提案する。
提案手法では,階層的潜在変数を用いて兄弟および祖先依存をカプセル化し,同一層内のoctreeノードの並列エンコーディングとデコードを可能にするとともに,ポイントクラウド分布のモデリングに十分なコンテキスト情報を提供する。
さらに,逐次ダウンサンプリングにより各層間の空間的相関を探索する潜在変数圧縮のための残差符号化フレームワークを提案し,それに対応する残差を完全分解エントロピーモデルでモデル化する。
さらに,ネットワークの柔軟性を向上させるために,残差符号化のソフト付加と減算を提案する。
LiDARベンチマークのSemanticKITTIとMPEG仕様データセットの総合的な実験結果から,提案したフレームワークが従来のLPCフレームワークすべてで最先端のパフォーマンスを達成することを示す。
さらに,従来のLPC圧縮技術と比較して,並列化と時間効率が向上し,復号時間の99.8%以上を節約できることを示した。
関連論文リスト
- Decoupled Sparse Priors Guided Diffusion Compression Model for Point Clouds [26.32608616696905]
ロスシー圧縮法は、ポイントクラウドをストレージの潜在点に変換するためにオートエンコーダに依存している。
本稿では,特に高圧縮比で高い復元品質を実現するスパース先行案内手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T05:41:35Z) - Generalized Nested Latent Variable Models for Lossy Coding applied to Wind Turbine Scenarios [14.48369551534582]
学習に基づくアプローチは、圧縮率と再構成された画質の妥協を最小化する。
成功したテクニックは、2レベルネストされた潜伏変数モデル内で機能するディープハイパープライアの導入である。
本稿では,マルコフ連鎖構造を持つ一般化Lレベルネスト生成モデルを設計することによって,この概念を拡張した。
論文 参考訳（メタデータ） (2024-06-10T11:00:26Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Learning Dynamic Point Cloud Compression via Hierarchical Inter-frame
Block Matching [35.80653765524654]
3Dダイナミックポイントクラウド(DPC)圧縮は、その時間的コンテキストのマイニングに依存している。
本稿では,階層的ブロックマッチングに基づく予測モジュールを用いた学習型DPC圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T11:44:13Z) - Sparsity-guided Network Design for Frame Interpolation [39.828644638174225]
フレームベースアルゴリズムのための圧縮駆動型ネットワーク設計を提案する。
モデルサイズを大幅に削減するために、スパーシリティ誘導最適化によるモデルプルーニングを活用する。
原型AdaCoFの4分の1の大きさで大幅な性能向上を実現しています。
論文 参考訳（メタデータ） (2022-09-09T23:13:25Z) - Point Cloud Compression with Sibling Context and Surface Priors [47.96018990521301]
大規模クラウド圧縮のための新しいオクツリーベースのマルチレベルフレームワークを提案する。
本稿では,オクツリーの階層的依存性を探索する新しいエントロピーモデルを提案する。
表面をボクセルベースの幾何認識モジュールで局所的に整合させ,エントロピー符号化における幾何学的先行情報を提供する。
論文 参考訳（メタデータ） (2022-05-02T09:13:26Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - 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) - A Generic Network Compression Framework for Sequential Recommender
Systems [71.81962915192022]
シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。
CpRecと呼ばれる圧縮されたシーケンシャルレコメンデーションフレームワークを提案する。
大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
論文 参考訳（メタデータ） (2020-04-21T08:40:55Z)
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。