論文の概要: Lossless Point Cloud Geometry and Attribute Compression Using a Learned Conditional Probability Model

• arxiv url: http://arxiv.org/abs/2303.06519v2
• Date: Wed, 20 Mar 2024 10:00:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 23:16:59.349632
• Title: Lossless Point Cloud Geometry and Attribute Compression Using a Learned Conditional Probability Model
• Title（参考訳）: 学習条件確率モデルを用いた損失点雲形状と属性圧縮
• Authors: Dat Thanh Nguyen, Andre Kaup,
• Abstract要約: 本稿では,テンソルに基づく深層ニューラルネットワークを用いて,点雲の幾何と色確率を学習する効率的な点雲圧縮法を提案する。 本手法は,異なるビット深さの3つの特徴を持つ点雲を統一表現で表現する。
• 参考スコア（独自算出の注目度）: 2.670322123407995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, we have witnessed the presence of point cloud data in many aspects of our life, from immersive media, autonomous driving to healthcare, although at the cost of a tremendous amount of data. In this paper, we present an efficient lossless point cloud compression method that uses sparse tensor-based deep neural networks to learn point cloud geometry and color probability distributions. Our method represents a point cloud with both occupancy feature and three attribute features at different bit depths in a unified sparse representation. This allows us to efficiently exploit feature-wise and point-wise dependencies within point clouds using a sparse tensor-based neural network and thus build an accurate auto-regressive context model for an arithmetic coder. To the best of our knowledge, this is the first learning-based lossless point cloud geometry and attribute compression approach. Compared with the-state-of-the-art lossless point cloud compression method from Moving Picture Experts Group (MPEG), our method achieves 22.6% reduction in total bitrate on a diverse set of test point clouds while having 49.0% and 18.3% rate reduction on geometry and color attribute component, respectively.
• Abstract（参考訳）: 近年、私たちは、没入型メディア、自動運転、ヘルスケアなど、私たちの生活の多くの面でポイントクラウドデータの存在を目にしてきました。 本稿では,スパーステンソルに基づく深層ニューラルネットワークを用いて,点雲の幾何と色確率分布を学習する効率的なロスレスポイントクラウド圧縮法を提案する。 本手法は,異なるビット深さの3つの属性特徴を持つ点雲を統一されたスパース表現で表現する。 これにより、スパーステンソルベースのニューラルネットワークを使用して、ポイントクラウド内の機能的およびポイント的依存関係を効率的に活用し、算術コーダのための正確な自動回帰コンテキストモデルを構築することができる。 私たちの知る限りでは、これは学習ベースのロスレスポイントクラウド幾何学と属性圧縮アプローチとしては初めてのものです。 移動画像専門家グループ (MPEG) の最先端ロスレスポイントクラウド圧縮法と比較して, 各種試験点雲の合計ビットレートは22.6%減少し, 幾何成分と色属性成分は49.0%, 18.3%減少した。

関連論文リスト

• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Zero-Shot Point Cloud Registration [94.39796531154303]
  ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
  論文  参考訳（メタデータ） (2023-12-05T11:33:16Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• 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)
• GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression [16.98171403698783]
  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。
  論文  参考訳（メタデータ） (2022-09-09T17:09:02Z)
• 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)
• Variable Rate Compression for Raw 3D Point Clouds [5.107705550575662]
  そこで本研究では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。 我々のネットワークは、ポイントクラウドを明示的に処理し、圧縮された記述を生成することができる。
  論文  参考訳（メタデータ） (2022-02-28T15:15:39Z)
• CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
  本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。 分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
  論文  参考訳（メタデータ） (2022-01-20T15:04:12Z)
• Attribute Artifacts Removal for Geometry-based Point Cloud Compression [43.60640890971367]
  幾何ベースの点雲圧縮(G-PCC)は点雲に対する顕著な圧縮効率を達成する。 特に低いシナリオ下では、重要な属性圧縮アーティファクトが発生します。 本稿では,ポイントクラウド属性のアーティファクトを除去するマルチスケールグラフ注意ネットワーク(MSGAT)を提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:21:06Z)
• Learning-based lossless compression of 3D point cloud geometry [11.69103847045569]
  encoderはハイブリッドモードで動作し、octreeとvoxelベースのコーディングを混合する。 提案手法は,最先端MPEG G-PCC規格を平均28%で上回っている。
  論文  参考訳（メタデータ） (2020-11-30T11:27:16Z)

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。