論文の概要: Hierarchical Prior-based Super Resolution for Point Cloud Geometry
Compression
- arxiv url: http://arxiv.org/abs/2402.11250v1
- Date: Sat, 17 Feb 2024 11:15:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 22:24:54.728549
- Title: Hierarchical Prior-based Super Resolution for Point Cloud Geometry
Compression
- Title(参考訳): ポイントクラウド幾何圧縮のための階層的事前ベーススーパーレゾリューション
- Authors: Dingquan Li and Kede Ma and Jing Wang and Ge Li
- Abstract要約: 幾何学に基づくポイントクラウド圧縮(G-PCC)は、ポイントクラウドを圧縮するために移動画像専門家グループによって開発された。
本稿では,点雲幾何学的圧縮のための階層的事前分解能超解法を提案する。
- 参考スコア(独自算出の注目度): 39.052583172727324
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Geometry-based Point Cloud Compression (G-PCC) has been developed by the
Moving Picture Experts Group to compress point clouds. In its lossy mode, the
reconstructed point cloud by G-PCC often suffers from noticeable distortions
due to the na\"{i}ve geometry quantization (i.e., grid downsampling). This
paper proposes a hierarchical prior-based super resolution method for point
cloud geometry compression. The content-dependent hierarchical prior is
constructed at the encoder side, which enables coarse-to-fine super resolution
of the point cloud geometry at the decoder side. A more accurate prior
generally yields improved reconstruction performance, at the cost of increased
bits required to encode this side information. With a proper balance between
prior accuracy and bit consumption, the proposed method demonstrates
substantial Bjontegaard-delta bitrate savings on the MPEG Cat1A dataset,
surpassing the octree-based and trisoup-based G-PCC v14. We provide our
implementations for reproducible research at
https://github.com/lidq92/mpeg-pcc-tmc13.
- Abstract(参考訳): 幾何学に基づくポイントクラウド圧縮(G-PCC)は、ポイントクラウドを圧縮するために移動画像専門家グループによって開発された。
損失モードでは、G-PCC による再構成点雲は、しばしば na\"{i}ve の幾何量子化(すなわちグリッドダウンサンプリング)による顕著な歪みに悩まされる。
本稿では,ポイントクラウド幾何圧縮のための階層型事前解像法を提案する。
コンテンツ依存の階層的先行はエンコーダ側で構築され、デコーダ側の点雲幾何学の粗い超解像を可能にする。
より正確には、この側情報をエンコードするために必要なビットの増加を犠牲にして、再構築性能が向上する。
提案手法は,octreeベースおよびtrisoupベースのg-pcc v14を超えるmpeg cat1aデータセットにおけるbjontegaard-deltaビットレートの削減効果を示す。
我々は、https://github.com/lidq92/mpeg-pcc-tmc13で再現可能な研究のための実装を提供しています。
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) - 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) - 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) - Lightweight super resolution network for point cloud geometry
compression [34.42460388539782]
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。
論文 参考訳(メタデータ) (2023-11-02T03:34:51Z) - 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) - Efficient dynamic point cloud coding using Slice-Wise Segmentation [10.850101961203748]
MPEGは最近、ダイナミックポイントクラウドコーディングのためのビデオベースのポイントクラウド圧縮(V-PCC)標準を開発した。
V-PCCを用いたデータ不足の主な原因は、3Dから2Dプロジェクションへのパッチ生成と自己隠蔽点である。
本稿では, 重複スライシングを導入し, 発生するパッチ数と損失データ量を削減する手法を提案する。
論文 参考訳(メタデータ) (2022-08-17T04:23:45Z) - Learned Video Compression via Heterogeneous Deformable Compensation
Network [78.72508633457392]
不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。
より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。
実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-07-11T02:31:31Z) - 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) - 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)
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。