論文の概要: PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport

• arxiv url: http://arxiv.org/abs/2503.00047v1
• Date: Wed, 26 Feb 2025 07:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 18:50:37.17234
• Title: PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport
• Title（参考訳）: PCE-GAN: 最適輸送に基づくポイントクラウド属性品質向上のためのジェネレータネットワーク
• Authors: Tian Guo, Hui Yuan, Qi Liu, Honglei Su, Raouf Hamzaoui, Sam Kwong,
• Abstract要約: 点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
• 参考スコア（独自算出の注目度）: 56.56430888985025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud compression significantly reduces data volume but sacrifices reconstruction quality, highlighting the need for advanced quality enhancement techniques. Most existing approaches focus primarily on point-to-point fidelity, often neglecting the importance of perceptual quality as interpreted by the human visual system. To address this issue, we propose a generative adversarial network for point cloud quality enhancement (PCE-GAN), grounded in optimal transport theory, with the goal of simultaneously optimizing both data fidelity and perceptual quality. The generator consists of a local feature extraction (LFE) unit, a global spatial correlation (GSC) unit and a feature squeeze unit. The LFE unit uses dynamic graph construction and a graph attention mechanism to efficiently extract local features, placing greater emphasis on points with severe distortion. The GSC unit uses the geometry information of neighboring patches to construct an extended local neighborhood and introduces a transformer-style structure to capture long-range global correlations. The discriminator computes the deviation between the probability distributions of the enhanced point cloud and the original point cloud, guiding the generator to achieve high quality reconstruction. Experimental results show that the proposed method achieves state-of-the-art performance. Specifically, when applying PCE-GAN to the latest geometry-based point cloud compression (G-PCC) test model, it achieves an average BD-rate of -19.2% compared with the PredLift coding configuration and -18.3% compared with the RAHT coding configuration. Subjective comparisons show a significant improvement in texture clarity and color transitions, revealing finer details and more natural color gradients.
• Abstract（参考訳）: ポイントクラウド圧縮はデータ量を大幅に削減するが、再構築品質を犠牲にし、高度な品質向上技術の必要性を強調している。 既存のアプローチのほとんどは、主にポイント・ツー・ポイントの忠実さに焦点を当てており、人間の視覚システムによって解釈される知覚的品質の重要性を無視することが多い。 そこで本研究では,データ忠実度と知覚品質の両面を同時に最適化することを目的として,最適輸送理論に基づく点雲品質向上(PCE-GAN)のための生成逆ネットワークを提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 LFEユニットは、動的グラフ構造とグラフアテンション機構を使用して、局所的な特徴を効率的に抽出し、激しい歪みのある点に重点を置いている。 GSCユニットは、隣接するパッチの幾何学情報を用いて、拡張された局所近傍を構築するとともに、長距離グローバル相関をキャプチャするトランスフォーマースタイルの構造を導入する。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。 実験結果から,提案手法は最先端の性能を実現することが示された。 具体的には、PCE-GANを最新の幾何ベースのポイントクラウド圧縮(G-PCC)テストモデルに適用すると、PredLiftのコーディング構成と比較すると平均BDレートが19.2%、RAHTのコーディング構成では-18.3%となる。 主観的な比較では、テクスチャの明瞭さと色遷移が顕著に改善され、より細部とより自然な色勾配が明らかにされた。

関連論文リスト

• High-Quality Pseudo-Label Generation Based on Visual Prompt Assisted Cloud Model Update [6.11503045313947]
  既存の方法は、しばしば信頼性の高いクラウドモデルを仮定し、潜在的なエラーを無視したり、複雑な分散シフトに苦労する。 本稿では,クラウド適応型高品質擬似ラベル生成(CA-HQP)を提案する。 Bellevueトラフィックデータセットの実験により、CA-HQPは既存の手法と比較して、擬似ラベルの品質を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-04-01T08:20:16Z)
• 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)
• High Efficiency Wiener Filter-based Point Cloud Quality Enhancement for MPEG G-PCC [23.8642501868336]
  点雲は、シーンやオブジェクトの幾何学や属性を多数の点で直接記録する。 静的クラウドと動的クラウドの両方に対するジオメトリベースのポイントクラウド圧縮(G-PCC)標準。 G-PCCのエンコーダおよびデコーダパイプラインに統合可能な高効率Wienerフィルタを提案する。
  論文  参考訳（メタデータ） (2025-03-21T18:24:58Z)
• 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)
• 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)
• 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)
• Exploiting Topological Priors for Boosting Point Cloud Generation [0.0]
  本稿では、ポイントクラウド生成用に設計された最先端GANであるSP-GANモデルとして、Sphereの革新的な拡張について述べる。 生成した点雲の構造的整合性と全体的品質を高めるために, 発生源のトレーニングプロセスにトポロジカル事前を組み込むことにより, 点雲生成に新たな手法が導入された。
  論文  参考訳（メタデータ） (2024-03-16T16:17:44Z)
• 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)
• 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)

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。