論文の概要: Rate-distortion Optimized Point Cloud Preprocessing for Geometry-based Point Cloud Compression
- arxiv url: http://arxiv.org/abs/2508.01633v1
- Date: Sun, 03 Aug 2025 07:40:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.978379
- Title: Rate-distortion Optimized Point Cloud Preprocessing for Geometry-based Point Cloud Compression
- Title（参考訳）: 幾何に基づく点雲圧縮のための速度歪み最適化点雲前処理
- Authors: Wanhao Ma, Wei Zhang, Shuai Wan, Fuzheng Yang,
- Abstract要約: 幾何ベースのポイントクラウド圧縮(G-PCC)は最近のディープラーニングベースのPCC法と比較して性能が劣る。
本稿では,圧縮指向のボキセル化ネットワークとG-PCCサロゲートモデルを統合した新しい前処理フレームワークを提案する。
実験では、G-PCCよりも平均BDレートが38.84%減少した。
- 参考スコア（独自算出の注目度）: 13.926314302842073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geometry-based point cloud compression (G-PCC), an international standard designed by MPEG, provides a generic framework for compressing diverse types of point clouds while ensuring interoperability across applications and devices. However, G-PCC underperforms compared to recent deep learning-based PCC methods despite its lower computational power consumption. To enhance the efficiency of G-PCC without sacrificing its interoperability or computational flexibility, we propose a novel preprocessing framework that integrates a compression-oriented voxelization network with a differentiable G-PCC surrogate model, jointly optimized in the training phase. The surrogate model mimics the rate-distortion behaviour of the non-differentiable G-PCC codec, enabling end-to-end gradient propagation. The versatile voxelization network adaptively transforms input point clouds using learning-based voxelization and effectively manipulates point clouds via global scaling, fine-grained pruning, and point-level editing for rate-distortion trade-offs. During inference, only the lightweight voxelization network is appended to the G-PCC encoder, requiring no modifications to the decoder, thus introducing no computational overhead for end users. Extensive experiments demonstrate a 38.84% average BD-rate reduction over G-PCC. By bridging classical codecs with deep learning, this work offers a practical pathway to enhance legacy compression standards while preserving their backward compatibility, making it ideal for real-world deployment.
- Abstract（参考訳）: MPEGが設計した国際標準である幾何学ベースのポイントクラウド圧縮(G-PCC)は、アプリケーションとデバイス間の相互運用性を確保しつつ、さまざまなタイプのポイントクラウドを圧縮するための汎用フレームワークを提供する。
しかし、G-PCCは計算消費電力が低いにもかかわらず、近年のディープラーニングベースのPCC法と比較して性能が劣っている。
G-PCCの相互運用性や計算柔軟性を犠牲にすることなく、G-PCCの効率を向上させるために、G-PCCサロゲートモデルと圧縮指向のボキセル化ネットワークを統合し、トレーニングフェーズで協調的に最適化する新しい前処理フレームワークを提案する。
代理モデルは、非微分可能G-PCCコーデックの速度歪み挙動を模倣し、エンドツーエンドの勾配伝播を可能にする。
この汎用的なボキセル化ネットワークは、学習ベースのボキセル化を用いて入力ポイントクラウドを適応的に変換し、グローバルスケーリング、きめ細かなプルーニング、レート歪みトレードオフのためのポイントレベルの編集を通じて、ポイントクラウドを効果的に操作する。
推論中は、軽量なボキセル化ネットワークのみをG-PCCエンコーダに追加し、デコーダを変更する必要はないため、エンドユーザには計算オーバーヘッドは発生しない。
大規模な実験では、G-PCCよりも平均BDレートが38.84%減少している。
古典的なコーデックをディープラーニングでブリッジすることで、この作業は、後方互換性を維持しながらレガシー圧縮標準を強化する実践的な経路を提供する。
関連論文リスト
- 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) - 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) - Rate-Distortion Optimized Skip Coding of Region Adaptive Hierarchical Transform Coefficients for MPEG G-PCC [13.122745400640305]
3次元(3D)点雲は3Dオブジェクトやシーンを表現するためにますます人気が高まっている。
この課題に対処するため、Moving Picture Experts Groupは、GeometryベースのPoint Cloud Compression(G-PCC)標準を積極的に開発している。
RAHTの適応スキップ手法を提案し,最後の数層の残余を符号化するか否かを適応的に決定する。
論文 参考訳（メタデータ） (2024-12-07T07:43:44Z) - 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) - 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) - Efficient and Generic Point Model for Lossless Point Cloud Attribute Compression [28.316347464011056]
PoLoPCACは、高い圧縮効率と強力な一般化性を同時に達成する効率的で汎用的なPCAC手法である。
提案手法は,Synthetic 2k-ShapeNetデータセットでトレーニングした時に即座にデプロイできる。
実験により, 各種データセット上でのG-PCCv23よりも連続的にビットレートを低減できることがわかった。
論文 参考訳（メタデータ） (2024-04-10T11:40:02Z) - Quantize Once, Train Fast: Allreduce-Compatible Compression with Provable Guarantees [53.950234267704]
我々は、全リデュース勾配互換量子化法であるGlobal-QSGDを紹介する。
ベースライン量子化法で最大3.51%の分散トレーニングを高速化することを示す。
論文 参考訳（メタデータ） (2023-05-29T21:32:15Z) - Dynamic Point Cloud Geometry Compression Using Multiscale Inter
Conditional Coding [27.013814232906817]
この研究は、Point Cloud Geometry Compression (PCGC)のために開発されたMultiscale Sparse Representation (MSR)フレームワークを拡張し、動的PCGCをサポートする。
先行するポイント・クラウド・ジオメトリ(PCG)フレームの再構築は、段階的にダウンスケール化され、マルチスケールの時間的前兆が生成される。
論文 参考訳（メタデータ） (2023-01-28T11:34:06Z) - L-GreCo: Layerwise-Adaptive Gradient Compression for Efficient and
Accurate Deep Learning [24.712888488317816]
トレーニング中にモデルの層をまたいだ圧縮の度合いを動的に適用するためのフレームワークを提供する。
我々のフレームワークはL-GreCoと呼ばれ、モデル層に対する最適圧縮パラメータを自動的に選択する適応アルゴリズムに基づいている。
論文 参考訳（メタデータ） (2022-10-31T14:37:41Z) - Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG
Encoder-Decoder [73.48927855855219]
本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。
実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
論文 参考訳（メタデータ） (2022-01-27T20:20:03Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z)
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。