論文の概要: Implicit Neural Compression of Point Clouds

• arxiv url: http://arxiv.org/abs/2412.10433v1
• Date: Wed, 11 Dec 2024 03:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:10.434731
• Title: Implicit Neural Compression of Point Clouds
• Title（参考訳）: 点雲の入射ニューラル圧縮
• Authors: Hongning Ruan, Yulin Shao, Qianqian Yang, Liang Zhao, Zhaoyang Zhang, Dusit Niyato,
• Abstract要約: NeRC$textbf3$は、暗黙の神経表現を利用して、幾何学と属性の両方を扱う新しいポイントクラウド圧縮フレームワークである。 動的点雲の場合、4D-NeRC$textbf3$は最先端のG-PCCやV-PCC標準よりも優れた幾何圧縮を示す。
• 参考スコア（独自算出の注目度）: 58.45774938982386
• License:
• Abstract: Point clouds have gained prominence in numerous applications due to their ability to accurately depict 3D objects and scenes. However, compressing unstructured, high-precision point cloud data effectively remains a significant challenge. In this paper, we propose NeRC$^{\textbf{3}}$, a novel point cloud compression framework leveraging implicit neural representations to handle both geometry and attributes. Our approach employs two coordinate-based neural networks to implicitly represent a voxelized point cloud: the first determines the occupancy status of a voxel, while the second predicts the attributes of occupied voxels. By feeding voxel coordinates into these networks, the receiver can efficiently reconstructs the original point cloud's geometry and attributes. The neural network parameters are quantized and compressed alongside auxiliary information required for reconstruction. Additionally, we extend our method to dynamic point cloud compression with techniques to reduce temporal redundancy, including a 4D spatial-temporal representation termed 4D-NeRC$^{\textbf{3}}$. Experimental results validate the effectiveness of our approach: for static point clouds, NeRC$^{\textbf{3}}$ outperforms octree-based methods in the latest G-PCC standard. For dynamic point clouds, 4D-NeRC$^{\textbf{3}}$ demonstrates superior geometry compression compared to state-of-the-art G-PCC and V-PCC standards and achieves competitive results for joint geometry and attribute compression.
• Abstract（参考訳）: ポイントクラウドは、3Dオブジェクトやシーンを正確に描写できるため、多くのアプリケーションで注目を集めている。 しかし、非構造化で高精度なクラウドデータを効果的に圧縮することは重要な課題である。 本稿では,暗黙的ニューラル表現を利用して幾何学と属性の両方を扱う新しいポイントクラウド圧縮フレームワークNeRC$^{\textbf{3}}$を提案する。 当社のアプローチでは,2つの座標ベースニューラルネットワークを用いて,ボクセルの占有状況を暗黙的に表現し,第1はボクセルの占有状況,第2は占有するボクセルの属性を予測する。 これらのネットワークにボクセル座標を供給することにより、受信機は元の点雲の幾何と属性を効率的に再構築することができる。 ニューラルネットワークパラメータは、再構成に必要な補助情報とともに量子化され、圧縮される。 さらに,4D-NeRC$^{\textbf{3}}$と呼ばれる4次元空間的時間的表現を含む時間的冗長性を低減する手法を用いて,ダイナミックポイントクラウド圧縮に拡張する。 静的点雲の場合、NeRC$^{\textbf{3}}$ は最新のG-PCC標準でオクツリー法より優れている。 4D-NeRC$^{\textbf{3}}$は、4D-NeRC$^{\textbf{3}}は、最先端のG-PCCおよびV-PCC標準よりも優れた幾何学的圧縮を示し、関節幾何学と属性圧縮の競合的な結果を達成する。

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 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)
• Dynamic 3D Point Cloud Sequences as 2D Videos [81.46246338686478]
  3Dポイントクラウドシーケンスは、現実世界の環境における最も一般的で実用的な表現の1つとして機能する。 textitStructured Point Cloud Videos (SPCV) と呼ばれる新しい汎用表現を提案する。 SPCVは点雲列を空間的滑らかさと時間的一貫性を持つ2Dビデオとして再編成し、画素値は点の3D座標に対応する。
  論文  参考訳（メタデータ） (2024-03-02T08:18:57Z)
• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
  我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。 空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。 ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
  論文  参考訳（メタデータ） (2022-12-11T19:55:24Z)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しい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である。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• 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。