論文の概要: UGAE: Unified Geometry and Attribute Enhancement for G-PCC Compressed Point Clouds

• arxiv url: http://arxiv.org/abs/2510.23009v1
• Date: Mon, 27 Oct 2025 05:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.455303
• Title: UGAE: Unified Geometry and Attribute Enhancement for G-PCC Compressed Point Clouds
• Title（参考訳）: UGAE:G-PCC圧縮点雲の統一幾何と属性向上
• Authors: Pan Zhao, Hui Yuan, Chongzhen Tian, Tian Guo, Raouf Hamzaoui, Zhigeng Pan,
• Abstract要約: 統合幾何および属性拡張フレームワークを提案する。 ポストジオメトリエンハンスメント(PoGE)、プレアトリビュートエンハンスメント(PAE)、ポストアトリビュートエンハンスメント(PoAE)の3つのコアコンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 16.087557412139656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lossy compression of point clouds reduces storage and transmission costs; however, it inevitably leads to irreversible distortion in geometry structure and attribute information. To address these issues, we propose a unified geometry and attribute enhancement (UGAE) framework, which consists of three core components: post-geometry enhancement (PoGE), pre-attribute enhancement (PAE), and post-attribute enhancement (PoAE). In PoGE, a Transformer-based sparse convolutional U-Net is used to reconstruct the geometry structure with high precision by predicting voxel occupancy probabilities. Building on the refined geometry structure, PAE introduces an innovative enhanced geometry-guided recoloring strategy, which uses a detail-aware K-Nearest Neighbors (DA-KNN) method to achieve accurate recoloring and effectively preserve high-frequency details before attribute compression. Finally, at the decoder side, PoAE uses an attribute residual prediction network with a weighted mean squared error (W-MSE) loss to enhance the quality of high-frequency regions while maintaining the fidelity of low-frequency regions. UGAE significantly outperformed existing methods on three benchmark datasets: 8iVFB, Owlii, and MVUB. Compared to the latest G-PCC test model (TMC13v29), UGAE achieved an average BD-PSNR gain of 9.98 dB and 90.98% BD-bitrate savings for geometry under the D1 metric, as well as a 3.67 dB BD-PSNR improvement with 56.88% BD-bitrate savings for attributes on the Y component. Additionally, it improved perceptual quality significantly.
• Abstract（参考訳）: 点雲のロジィ圧縮はストレージと伝送コストを低減させるが、必然的に幾何学構造や属性情報に不可逆的な歪みをもたらす。 これらの課題に対処するため、我々は、ポストジオメトリエンハンスメント(PoGE)、プレアトリビュートエンハンスメント(PAE)、ポストアトリビュートエンハンスメント(PoAE)の3つのコアコンポーネントからなる統一幾何・属性エンハンスメント(UGAE)フレームワークを提案する。 PoGEでは、トランスフォーマーベースのスパース畳み込みU-Netを用いて、ボクセル占有確率を予測することによって、高精度で幾何学構造を再構築する。 改良された幾何学構造に基づいて、PAEは、詳細なK-Nearest Neighbors (DA-KNN) 法を用いて、属性圧縮の前に正確な再色を達成し、高周波の詳細を効果的に保存する、革新的な改良された幾何誘導型再色戦略を導入した。 最後に、デコーダ側では、重み付き平均二乗誤差(W-MSE)損失を持つ属性残差予測ネットワークを用いて、低周波領域の忠実性を維持しながら、高周波領域の品質を高める。 UGAEは8iVFB、Owlii、MVUBという3つのベンチマークデータセットで既存の手法を著しく上回った。 最新のG-PCCテストモデル(TMC13v29)と比較すると、UGAEはD1メートル法の下での幾何学における平均BD-PSNRの9.98dBと90.98%のBD-PSNR、Y成分の属性に対する56.88%のBD-PSNRの3.67dB BD-PSNRの改善を達成した。 さらに、知覚の質も大幅に向上した。

関連論文リスト

• STQE: Spatial-Temporal Attribute Quality Enhancement for G-PCC Compressed Dynamic Point Clouds [52.435843736488145]
  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-。
  論文  参考訳（メタデータ） (2025-07-23T14:03:54Z)
• Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
  グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。 提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-07-05T05:05:36Z)
• 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)
• GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
  本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。 実験結果から,本手法は最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:33:45Z)

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。