Fugu-MT 論文翻訳(概要): DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds

論文の概要: DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds

arxiv url: http://arxiv.org/abs/2411.13860v3
Date: Tue, 07 Oct 2025 01:53:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-08 15:38:19.576344
Title: DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds
Title（参考訳）: DiffCom: ポイントクラウドの拡散圧縮をガイドした分離スパースプリミティブ
Authors: Xiaoge Zhang, Zijie Wu, Mehwish Nasim, Mingtao Feng, Saeed Anwar, Ajmal Mian,
Abstract要約: ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型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）: 54.96190721255167
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lossy compression relies on an autoencoder to transform a point cloud into latent points for storage, leaving the inherent redundancy of latent representations unexplored. To reduce redundancy in latent points, we propose a diffusion-based framework guided by sparse priors that achieves high reconstruction quality, especially at low bitrates. Our approach features an efficient dual-density data flow that relaxes size constraints on latent points. It hybridizes a probabilistic conditional diffusion model to encapsulate essential details for reconstruction within sparse priors, which are decoupled hierarchically into intra- and inter-point priors. Specifically, our DiffCom encodes the original point cloud into latent points and decoupled sparse priors through separate encoders. To dynamically attend to geometric and semantic cues from the priors at each encoding and decoding layer, we employ an attention-guided latent denoiser conditioned on the decoupled priors. Additionally, we integrate the local distribution into the arithmetic encoder and decoder to enhance local context modeling of the sparse points. The original point cloud is reconstructed through a point decoder. Compared to state-of-the-art methods, our approach achieves a superior rate-distortion trade-off, as evidenced by extensive evaluations on the ShapeNet dataset and standard test datasets from the MPEG PCC Group.
Abstract（参考訳）: ロスシー圧縮はオートエンコーダに頼り、ポイントクラウドをストレージの潜在点に変換し、潜在表現の固有の冗長性を探索せずに残す。遅延点の冗長性を低減するために,特に低ビットレートにおいて,高い再構成品質を実現するスパース前処理により導かれる拡散型フレームワークを提案する。提案手法は,遅延点のサイズ制約を緩和する,効率的な二重密度データフローを特徴とする。確率的条件拡散モデル(英語版)をハイブリダイズし、スパースプリエント内での再構築に必要な詳細をカプセル化し、階層的にイントラポイントプリエントとインターポイントプリエントに分離する。具体的には、DiffComは元の点雲を潜伏点にエンコードし、別々のエンコーダを通してスパースを分離します。各符号化・復号層における前者からの幾何的・意味的な手がかりに動的に対応するために, 疎結合された前者に対して, 注意誘導型遅延復号器を用いる。さらに,局所分布を演算エンコーダとデコーダに統合し,スパース点の局所的コンテキストモデリングを強化する。元のポイントクラウドは、ポイントデコーダを介して再構成される。本稿では,MPEG PCCグループによるShapeNetデータセットと標準テストデータセットの広範な評価により,最先端の手法と比較して,より優れた速度歪みトレードオフを実現する。

関連論文リスト

Hierarchical Attention Networks for Lossless Point Cloud Attribute Compression [22.234604407822673]
本稿では,点雲の属性圧縮のための階層的注意コンテキストモデルを提案する。単純で効果的なレベル・オブ・ディーテール(LoD)構造を導入し、粗い粒度表現を生成する。同じ改善レベル内の点は並列に符号化され、共通のコンテキストポイントグループを共有する。
論文参考訳（メタデータ） (2025-04-01T07:14:10Z)
RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation [58.04300937361664]
ポイントクラウド圧縮(PCC)の主な課題の1つは、知覚的品質にRBを最適化できるように、認識された歪みを評価する方法である。本稿では、放射基底関数(RBF)を用いて離散点特徴を歪み点雲の連続特徴関数に変換する新しい評価法を提案する。
論文参考訳（メタデータ） (2025-03-18T11:25:55Z)
Fast Point Cloud Geometry Compression with Context-based Residual Coding and INR-based Refinement [19.575833741231953]
我々は、KNN法を用いて、原表面点の近傍を決定する。条件付き確率モデルは局所幾何学に適応し、大きな速度減少をもたらす。暗黙のニューラル表現を精製層に組み込むことで、デコーダは任意の密度で下面の点をサンプリングすることができる。
論文参考訳（メタデータ） (2024-08-06T05:24:06Z)
Hierarchical Prior-based Super Resolution for Point Cloud Geometry Compression [39.052583172727324]
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。
論文参考訳（メタデータ） (2024-02-17T11:15:38Z)
Joint Learning for Scattered Point Cloud Understanding with Hierarchical Self-Distillation [34.26170741722835]
そこで本研究では,部分点雲を高速に補正し,同定するエンド・ツー・エンドアーキテクチャを提案する。階層型自己蒸留(HSD)は任意の階層ベースの点雲法に適用できる。
論文参考訳（メタデータ） (2023-12-28T08:51:04Z)
Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文参考訳（メタデータ） (2023-11-25T08:10:05Z)
Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
論文参考訳（メタデータ） (2023-03-14T14:25:29Z)
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)
Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文参考訳（メタデータ） (2022-03-21T07:20:37Z)
Point Set Self-Embedding [63.23565826873297]
この研究は、高密度な点の情報を視覚的だが知覚不可能な形でスペーサーバージョンにエンコードする、点集合自己埋め込みの革新的な方法を示す。自己埋め込みポイントセットは、通常のダウンサンプルとして機能し、モバイルデバイス上で効率的に視覚化することができる。リモートサーバ上で詳細な分析を行うために,自己埋め込み情報を活用して,元のポイントセットを完全に復元する。
論文参考訳（メタデータ） (2022-02-28T07:03:33Z)
SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
論文参考訳（メタデータ） (2020-12-08T14:14:09Z)
Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。ここでは,Point2Meshが所望の解に収束することを示す。
論文参考訳（メタデータ） (2020-05-22T10:01:04Z)

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。