論文の概要: Lightweight super resolution network for point cloud geometry compression

• arxiv url: http://arxiv.org/abs/2311.00970v1
• Date: Thu, 2 Nov 2023 03:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 14:49:38.908808
• Title: Lightweight super resolution network for point cloud geometry compression
• Title（参考訳）: 点雲幾何圧縮のための軽量超解像ネットワーク
• Authors: Wei Zhang, Dingquan Li, Ge Li, Wen Gao
• Abstract要約: 本稿では,軽量超解像ネットワークを利用して点雲形状を圧縮する手法を提案する。 提案手法は,ポイントクラウドをベースポイントクラウドに分解し,元のポイントクラウドを再構築するパターンを含む。 また,MPEG Cat1(Solid)とCat2データセットの圧縮性能について実験を行った。
• 参考スコア（独自算出の注目度）: 34.42460388539782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an approach for compressing point cloud geometry by leveraging a lightweight super-resolution network. The proposed method involves decomposing a point cloud into a base point cloud and the interpolation patterns for reconstructing the original point cloud. While the base point cloud can be efficiently compressed using any lossless codec, such as Geometry-based Point Cloud Compression, a distinct strategy is employed for handling the interpolation patterns. Rather than directly compressing the interpolation patterns, a lightweight super-resolution network is utilized to learn this information through overfitting. Subsequently, the network parameter is transmitted to assist in point cloud reconstruction at the decoder side. Notably, our approach differentiates itself from lookup table-based methods, allowing us to obtain more accurate interpolation patterns by accessing a broader range of neighboring voxels at an acceptable computational cost. Experiments on MPEG Cat1 (Solid) and Cat2 datasets demonstrate the remarkable compression performance achieved by our method.
• Abstract（参考訳）: 本稿では,軽量超解像ネットワークを用いて点雲形状を圧縮する手法を提案する。 提案手法は,点雲を基点雲に分解し,原点雲を再構成するための補間パターンを含む。 ベースポイントクラウドはGeometryベースのPoint Cloud Compressionのような損失のないコーデックを使って効率よく圧縮できるが、補間パターンを扱うには別の戦略が用いられる。 補間パターンを直接圧縮する代わりに、軽量のスーパーレゾリューションネットワークを使用して、オーバーフィッティングを通じて情報を学ぶ。 その後、ネットワークパラメータが送信され、デコーダ側でポイントクラウド再構築を支援する。 特に,本手法はルックアップテーブル法と異なり,より正確な補間パターンを,より広い範囲の近傍のボクセルに許容可能な計算コストでアクセスすることで得られる。 また,MPEG Cat1(Solid)とCat2データセットの圧縮性能について実験を行った。

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)
• Point Cloud Compression with Bits-back Coding [32.9521748764196]
  本稿では,深層学習に基づく確率モデルを用いて,点雲情報のシャノンエントロピーを推定する。 点雲データセットのエントロピーを推定すると、学習されたCVAEモデルを用いて点雲の幾何学的属性を圧縮する。 本手法の新規性は,CVAEの学習潜在変数モデルを用いて点雲データを圧縮することである。
  論文  参考訳（メタデータ） (2024-10-09T06:34:48Z)
• PVContext: Hybrid Context Model for Point Cloud Compression [61.24130634750288]
  我々は,効率的なオクツリーベースのポイントクラウド圧縮のためのハイブリッドコンテキストモデルPVContextを提案する。 PVContextは、ボクセルを用いて局所幾何学情報を正確に表現するVoxel Contextと、ポイントクラウドからグローバルな形状情報を効率的に保存するPoint Contextの2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-09-19T12:47:35Z)
• 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)
• 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)
• 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)
• SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
  本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。 提案した演算子は、最大プールやボキセル化操作を一切必要としない。 提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-08T15:31:36Z)
• 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)
• 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)
• VoxelContext-Net: An Octree based Framework for Point Cloud Compression [20.335998518653543]
  静的および動的ポイントクラウド圧縮のための2段階のディープラーニングフレームワークvoxelcontext-netを提案する。 まず,構築したオクツリーの各ノードの空間近傍コンテキスト情報を符号化した局所ボクセル表現を抽出する。 エントロピー符号化の段階では,非リーフノードのシンボルを圧縮するボクセルコンテキストに基づくディープエントロピーモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-05T16:12:48Z)

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。