論文の概要: AnyPcc: Compressing Any Point Cloud with a Single Universal Model

• arxiv url: http://arxiv.org/abs/2510.20331v1
• Date: Thu, 23 Oct 2025 08:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.617699
• Title: AnyPcc: Compressing Any Point Cloud with a Single Universal Model
• Title（参考訳）: AnyPcc: 単一ユニバーサルモデルで任意のポイントクラウドを圧縮する
• Authors: Kangli Wang, Qianxi Yi, Yuqi Ye, Shihao Li, Wei Gao,
• Abstract要約: ディープラーニングベースのポイントクラウドジオメトリ圧縮において、一般化は依然として重要な課題である。 ユニバーサルポイントクラウド圧縮フレームワークであるAnyPccを紹介します。 15の多様なデータセットのベンチマークの実験では、AnyPccが新たな最先端のクラウド圧縮を設定することが確認されている。
• 参考スコア（独自算出の注目度）: 8.594341592756654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalization remains a critical challenge for deep learning-based point cloud geometry compression. We argue this stems from two key limitations: the lack of robust context models and the inefficient handling of out-of-distribution (OOD) data. To address both, we introduce AnyPcc, a universal point cloud compression framework. AnyPcc first employs a Universal Context Model that leverages priors from both spatial and channel-wise grouping to capture robust contextual dependencies. Second, our novel Instance-Adaptive Fine-Tuning (IAFT) strategy tackles OOD data by synergizing explicit and implicit compression paradigms. It fine-tunes a small subset of network weights for each instance and incorporates them into the bitstream, where the marginal bit cost of the weights is dwarfed by the resulting savings in geometry compression. Extensive experiments on a benchmark of 15 diverse datasets confirm that AnyPcc sets a new state-of-the-art in point cloud compression. Our code and datasets will be released to encourage reproducible research.
• Abstract（参考訳）: ディープラーニングベースのポイントクラウドジオメトリ圧縮において、一般化は依然として重要な課題である。 これは、ロバストなコンテキストモデルの欠如と、アウト・オブ・ディストリビューション(OOD)データの非効率なハンドリングという2つの重要な制限に起因している、と我々は主張する。 両方に対処するため、ユニバーサルポイントクラウド圧縮フレームワークであるAnyPccを紹介します。 AnyPccはまず、空間的およびチャネル的なグループ化の両方の事前情報を活用して、堅牢なコンテキスト依存をキャプチャするUniversal Context Modelを使用する。 第二に、新しいインスタンス適応細調整(IAFT)戦略は、明示的および暗黙的な圧縮パラダイムを相乗化することによって、OODデータに取り組みます。 各インスタンスのネットワーク重みの小さなサブセットを微調整し、それらをビットストリームに組み込む。 15の多様なデータセットのベンチマークに関する大規模な実験により、AnyPccが新しい最先端のクラウド圧縮を設定していることが確認された。 私たちのコードとデータセットは再現可能な研究を促進するためにリリースされます。

関連論文リスト

• Efficient Implicit Neural Compression of Point Clouds via Learnable Activation in Latent Space [10.056460330355193]
  Inlicit Neural Representations (INR) はディープラーニングの強力なパラダイムとして登場した。 静的クラウド圧縮のためのINRベースのフレームワークである textbfPICO を提案する。 当社のアプローチは競争力が高く、PCQMの平均利得は2.7倍10-3$である。
  論文  参考訳（メタデータ） (2025-04-20T03:37:32Z)
• Implicit Neural Compression of Point Clouds [61.491532656446054]
  NeRC$3$は、新しいポイントクラウド圧縮フレームワークである。 NeRC$3$は密度点雲の幾何学と属性の両方を符号化する。 動的点雲の場合、4D-NeRC$3$は優れた幾何圧縮性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T03:22:00Z)
• 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)
• 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)
• 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)
• End-to-end learned Lossy Dynamic Point Cloud Attribute Compression [5.717288278431968]
  本研究では、エンドツーエンドの動的損失属性符号化手法を提案する。 我々は、遅延テンソルをビットストリームに符号化する自動回帰コンテキストモデルとともに、従来の潜時空間を利用するコンテキストモデルを用いる。
  論文  参考訳（メタデータ） (2024-08-20T09:06:59Z)
• 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)
• 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)
• GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression [16.98171403698783]
  損失点クラウド幾何圧縮のための深層学習を用いた異種アプローチを提案する。 具体的には、粗い点雲上に存在する不規則な特徴に局所的詳細を変換するために、点ベースネットワークを適用する。
  論文  参考訳（メタデータ） (2022-09-09T17:09:02Z)

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。