論文の概要: SEDD-PCC: A Single Encoder-Dual Decoder Framework For End-To-End Learned Point Cloud Compression

• arxiv url: http://arxiv.org/abs/2505.16709v1
• Date: Thu, 22 May 2025 14:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.351137
• Title: SEDD-PCC: A Single Encoder-Dual Decoder Framework For End-To-End Learned Point Cloud Compression
• Title（参考訳）: SEDD-PCC: エンド・ツー・エンドの学習ポイントクラウド圧縮のための単一エンコーダ・デュアルデコーダフレームワーク
• Authors: Kai Hsiang Hsieh, Monyneath Yim, Jui Chiu Chiang,
• Abstract要約: 損失点クラウド圧縮のためのエンドツーエンド学習ベースのフレームワークSEDD-PCCを提案する。 単一エンコーダを用いて、共通な幾何学的特徴と属性的特徴を統一された潜在空間に抽出し、次いで、幾何学的特徴と属性を逐次再構成する2つの特殊デコーダを用いる。 SEDD-PCCはシンプルで効果的な設計で、ポイントクラウド圧縮のための効率的で実用的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 2.1902373533152346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To encode point clouds containing both geometry and attributes, most learning-based compression schemes treat geometry and attribute coding separately, employing distinct encoders and decoders. This not only increases computational complexity but also fails to fully exploit shared features between geometry and attributes. To address this limitation, we propose SEDD-PCC, an end-to-end learning-based framework for lossy point cloud compression that jointly compresses geometry and attributes. SEDD-PCC employs a single encoder to extract shared geometric and attribute features into a unified latent space, followed by dual specialized decoders that sequentially reconstruct geometry and attributes. Additionally, we incorporate knowledge distillation to enhance feature representation learning from a teacher model, further improving coding efficiency. With its simple yet effective design, SEDD-PCC provides an efficient and practical solution for point cloud compression. Comparative evaluations against both rule-based and learning-based methods demonstrate its competitive performance, highlighting SEDD-PCC as a promising AI-driven compression approach.
• Abstract（参考訳）: 幾何と属性の両方を含む点雲を符号化するために、ほとんどの学習ベースの圧縮スキームは、幾何と属性の符号化を別々に扱い、異なるエンコーダとデコーダを用いる。 これは計算複雑性を増大させるだけでなく、幾何学と属性の共有機能を完全に活用することができない。 この制限に対処するために,幾何と属性を共同で圧縮する損失点クラウド圧縮のためのエンドツーエンド学習ベースのフレームワークSEDD-PCCを提案する。 SEDD-PCCは単一のエンコーダを用いて、共有された幾何学的特徴と属性的特徴を統一された潜在空間に抽出し、次いで、幾何学的特徴と属性を逐次再構成する2つの特殊デコーダを用いる。 さらに,知識蒸留を取り入れて,教師モデルからの特徴表現学習を強化し,コーディング効率を向上する。 SEDD-PCCはシンプルで効果的な設計で、ポイントクラウド圧縮のための効率的で実用的なソリューションを提供する。 ルールベースの手法と学習ベースの手法の比較評価は、SEDD-PCCを有望なAI駆動圧縮アプローチとして強調し、その競争性能を示している。

関連論文リスト

• Semi-supervised Semantic Segmentation with Multi-Constraint Consistency Learning [81.02648336552421]
  本稿では,エンコーダとデコーダの段階的拡張を容易にするためのマルチ制約一貫性学習手法を提案する。 自己適応型特徴マスキングとノイズ注入は、デコーダの堅牢な学習のための特徴を摂動させるために、インスタンス固有の方法で設計されている。 Pascal VOC2012およびCityscapesデータセットの実験結果から,提案したMCCLが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-23T03:21:33Z)
• Deep-JGAC: End-to-End Deep Joint Geometry and Attribute Compression for Dense Colored Point Clouds [32.891169081810574]
  本稿では,エンドツーエンドのDeep Joint Geometry and Attribute Point Cloud Compressionフレームワークを提案する。 幾何と属性の相関を利用して高い圧縮効率を向上する。 提案されたDeep-JGACは平均82.96%、36.46%、41.72%、31.16%のビットレート削減を達成した。
  論文  参考訳（メタデータ） (2025-02-25T08:01:57Z)
• Att2CPC: Attention-Guided Lossy Attribute Compression of Point Clouds [18.244200436103156]
  本稿では, オートエンコーダアーキテクチャを利用して, ポイントクラウド属性を効率よく圧縮する手法を提案する。 実験の結果,YチャネルのBD-PSNRとYUVチャネルの平均改善率は1.15dBと2.13dBであることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T12:32:21Z)
• 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)
• The JPEG Pleno Learning-based Point Cloud Coding Standard: Serving Man and Machine [49.16996486119006]
  ディープラーニングは、ポイントクラウドコーディングの強力なツールとして登場した。 JPEGは先日、JPEG Pleno LearningベースのPoint Cloud Coding標準を確定した。 本稿ではJPEG PCC標準の完全な技術的記述を提供する。
  論文  参考訳（メタデータ） (2024-09-12T15:20:23Z)
• Learned Compression of Point Cloud Geometry and Attributes in a Single Model through Multimodal Rate-Control [2.7077560296908416]
  我々は単一適応オートエンコーダモデルを用いて幾何学と属性の合同圧縮を学習する。 本評価は, 形状と属性に対する最先端圧縮手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-08-01T14:31:06Z)
• 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)
• 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)
• 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。