論文の概要: STQE: Spatial-Temporal Quality Enhancement for G-PCC Compressed Dynamic Point Clouds

• arxiv url: http://arxiv.org/abs/2507.17522v1
• Date: Wed, 23 Jul 2025 14:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.028328
• Title: STQE: Spatial-Temporal Quality Enhancement for G-PCC Compressed Dynamic Point Clouds
• Title（参考訳）: STQE:G-PCC圧縮ダイナミックポイント雲の時空間品質向上
• Authors: Tian Guo, Hui Yuan, Xiaolong Mao, Shiqi Jiang, Raouf Hamzaoui, Sam Kwong,
• Abstract要約: 圧縮された動的点雲の視覚的品質を改善するために,空間的・時間的相関を利用した時空間属性品質向上(STQE)ネットワークを提案する。 私たちのコントリビューションには、参照属性情報を現在のフレーム形状に再マップして、フレーム間の正確なアライメントを実現する、リカラーベースのモーション補償モジュールが含まれています。 最新のG-PCCテストモデルに適用すると、STQEはデルタPSNRの0.855dB、0.682dB、0.828dBの改善を達成し、Bjontegaard Delta rate (BD-rate) は-25.2%、-31.6%、そして-。
• 参考スコア（独自算出の注目度）: 51.313922535437726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Very few studies have addressed quality enhancement for compressed dynamic point clouds. In particular, the effective exploitation of spatial-temporal correlations between point cloud frames remains largely unexplored. Addressing this gap, we propose a spatial-temporal attribute quality enhancement (STQE) network that exploits both spatial and temporal correlations to improve the visual quality of G-PCC compressed dynamic point clouds. Our contributions include a recoloring-based motion compensation module that remaps reference attribute information to the current frame geometry to achieve precise inter-frame geometric alignment, a channel-aware temporal attention module that dynamically highlights relevant regions across bidirectional reference frames, a Gaussian-guided neighborhood feature aggregation module that efficiently captures spatial dependencies between geometry and color attributes, and a joint loss function based on the Pearson correlation coefficient, designed to alleviate over-smoothing effects typical of point-wise mean squared error optimization. When applied to the latest G-PCC test model, STQE achieved improvements of 0.855 dB, 0.682 dB, and 0.828 dB in delta PSNR, with Bj{\o}ntegaard Delta rate (BD-rate) reductions of -25.2%, -31.6%, and -32.5% for the Luma, Cb, and Cr components, respectively.
• Abstract（参考訳）: 圧縮された動的点雲の品質向上に対処する研究はほとんどない。 特に、点雲フレーム間の空間的時間的相関を効果的に活用することは、ほとんど未解明のままである。 このギャップに対処するために,G-PCC圧縮された動的点雲の視覚的品質を改善するために,空間的および時間的相関を利用した時空間特性品質向上(STQE)ネットワークを提案する。 提案するコントリビューションには、フレーム間の正確な幾何アライメントを達成するために、参照属性情報を現在のフレーム形状にリマップするリカラー化ベースの動き補償モジュール、双方向参照フレーム間の関連領域を動的にハイライトするチャネル対応の時間的アテンションモジュール、幾何学と色属性間の空間的依存関係を効率的にキャプチャするガウス誘導近傍特徴集計モジュール、Pearson相関係数に基づく共同損失関数などが含まれる。 最新のG-PCCテストモデルに適用すると、STQEはデルタPSNRの0.855dB、0.682dB、0.828dBの改善を達成し、Bj{\o}ntegaard Delta rate (BD-rate)は-25.2%、-31.6%、-32.5%であった。

関連論文リスト

• 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)
• PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
  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。
  論文  参考訳（メタデータ） (2025-02-26T07:34:33Z)
• 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)
• Implicit Neural Compression of Point Clouds [58.45774938982386]
  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。
  論文  参考訳（メタデータ） (2024-12-11T03:22:00Z)
• On Exploring PDE Modeling for Point Cloud Video Representation Learning [48.02197741709501]
  我々は、PointNetライクなエンコーダとPDE解決モジュールで構成されるMotion PointNetを紹介する。 私たちのMotion PointNetは、MSRAction-3Dデータセットで97.52%の精度を実現しています。
  論文  参考訳（メタデータ） (2024-04-06T19:50:48Z)
• Learning Dynamic Point Cloud Compression via Hierarchical Inter-frame Block Matching [35.80653765524654]
  3Dダイナミックポイントクラウド(DPC)圧縮は、その時間的コンテキストのマイニングに依存している。 本稿では,階層的ブロックマッチングに基づく予測モジュールを用いた学習型DPC圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T11:44:13Z)
• Reduced Reference Perceptual Quality Model and Application to Rate Control for 3D Point Cloud Compression [61.110938359555895]
  レート歪み最適化では、ビットレートの制約を受ける再構成品質尺度を最大化してエンコーダ設定を決定する。 本稿では,V-PCC幾何および色量化パラメータを変数とする線形知覚品質モデルを提案する。 400個の圧縮された3D点雲による主観的品質試験の結果,提案モデルが平均評価値とよく相関していることが示唆された。 また、同じ目標ビットレートに対して、提案モデルに基づくレート歪みの最適化は、ポイント・ツー・ポイントの客観的な品質指標による徹底的な探索に基づくレート歪みの最適化よりも高い知覚品質を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-25T12:42:02Z)

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。