論文の概要: ProDAT: Progressive Density-Aware Tail-Drop for Point Cloud Coding

• arxiv url: http://arxiv.org/abs/2510.17068v1
• Date: Mon, 20 Oct 2025 00:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.275359
• Title: ProDAT: Progressive Density-Aware Tail-Drop for Point Cloud Coding
• Title（参考訳）: ProDAT: ポイントクラウド符号化のためのプログレッシブ密度対応タイルドロップ
• Authors: Zhe Luo, Wenjing Jia, Stuart Perry,
• Abstract要約: 3次元(3D)ポイントクラウドは、自律運転、拡張現実、没入型コミュニケーション、リアルタイム処理の要求、低レイテンシといったアプリケーションにおいて、ますます重要になっている。 Progres- sive コーディングは、様々な詳細レベルで復号化が可能で、初期部分復号化を後続の洗練とともに可能にすることで代替手段を提供する。
• 参考スコア（独自算出の注目度）: 6.790494397851803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional (3D) point clouds are becoming increasingly vital in applications such as autonomous driving, augmented reality, and immersive communication, demanding real-time processing and low latency. However, their large data volumes and bandwidth constraints hinder the deployment of high-quality services in resource-limited environments. Progres- sive coding, which allows for decoding at varying levels of detail, provides an alternative by allowing initial partial decoding with subsequent refinement. Although recent learning-based point cloud geometry coding methods have achieved notable success, their fixed latent representation does not support progressive decoding. To bridge this gap, we propose ProDAT, a novel density-aware tail-drop mechanism for progressive point cloud coding. By leveraging density information as a guidance signal, latent features and coordinates are decoded adaptively based on their significance, therefore achieving progressive decoding at multiple bitrates using one single model. Experimental results on benchmark datasets show that the proposed ProDAT not only enables progressive coding but also achieves superior coding efficiency compared to state-of-the-art learning-based coding techniques, with over 28.6% BD-rate improvement for PSNR- D2 on SemanticKITTI and over 18.15% for ShapeNet
• Abstract（参考訳）: 3次元(3D)ポイントクラウドは、自律運転、拡張現実、没入型コミュニケーション、リアルタイム処理の要求、低レイテンシといったアプリケーションにおいて、ますます重要になっている。 しかし、その膨大なデータ量と帯域幅の制約は、リソース制限された環境における高品質なサービスの展開を妨げる。 Progres- sive コーディングは、様々な詳細レベルで復号化が可能で、初期部分復号化を後続の洗練とともに可能にすることで代替手段を提供する。 最近の学習ベースのポイントクラウド幾何符号化法は顕著な成功を収めているが、その固定潜在表現はプログレッシブデコーディングをサポートしていない。 このギャップを埋めるため、プログレッシブ・ポイント・クラウド・コーディングのための新しい密度認識型テール・ドロップ機構であるProDATを提案する。 密度情報を誘導信号として活用することにより、潜在特徴と座標はそれらの重要性に基づいて適応的に復号化され、1つの単一モデルを用いて複数のビットレートでプログレッシブ復号化を実現する。 ベンチマークデータセットの実験結果によると,提案したProDATはプログレッシブコーディングだけでなく,最先端の学習ベースコーディング技術よりも優れた符号化効率を実現している。

関連論文リスト

• Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression [18.40946383877556]
  セマンティックシーングラフに基づくディープ圧縮フレームワークを提案する。 このフレームワークは最先端の圧縮速度を実現し,データサイズを最大98%削減することを示す。 マルチロボットのポーズグラフ最適化やマップマージといった下流アプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-10-09T17:45:09Z)
• Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds [54.96190721255167]
  ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。 本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-21T05:41:35Z)
• Epsilon-VAE: Denoising as Visual Decoding [61.29255979767292]
  復号化は1段階の再構成から反復的改良へと移行する。 具体的には、デコーダを拡散処理に置き換え、ノイズを反復的に改善して元の画像を復元する。 拡散による反復的再構成により, 自己エンコーダであるEpsilon-VAEは高い再構成品質を実現する。
  論文  参考訳（メタデータ） (2024-10-05T08:27:53Z)
• FFCA-Net: Stereo Image Compression via Fast Cascade Alignment of Side Information [44.88123177525665]
  マルチビュー圧縮技術、特にステレオ画像圧縮(SIC)は、車載カメラや3D関連アプリケーションにおいて重要な役割を果たす。 本稿では,デコーダの側情報を完全に活用する機能ベースの高速カスケードアライメントネットワーク(FFCA-Net)を提案する。 提案手法は,他の手法よりも3倍から10倍高速な復号化を実現する。
  論文  参考訳（メタデータ） (2023-12-28T11:12:03Z)
• Accelerating Learnt Video Codecs with Gradient Decay and Layer-wise Distillation [17.980800481385195]
  本稿では, 勾配減衰と適応層ワイド蒸留に基づく新しいモデル非依存プルーニング手法を提案する。 その結果,BD-PSNRでは最大65%のMACと2倍のスピードアップ,0.3dB未満のBD-PSNRが得られた。
  論文  参考訳（メタデータ） (2023-12-05T09:26:09Z)
• IPDAE: Improved Patch-Based Deep Autoencoder for Lossy Point Cloud Geometry Compression [11.410441760314564]
  パッチベースのポイントクラウド圧縮の大幅な改善を提案する。 改良されたパッチベースのオートエンコーダは、速度歪み性能の点で最先端よりも優れていることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2022-08-04T08:12:35Z)
• Variable Rate Compression for Raw 3D Point Clouds [5.107705550575662]
  そこで本研究では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。 我々のネットワークは、ポイントクラウドを明示的に処理し、圧縮された記述を生成することができる。
  論文  参考訳（メタデータ） (2022-02-28T15:15:39Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)

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。