論文の概要: ELiC: Efficient LiDAR Geometry Compression via Cross-Bit-depth Feature Propagation and Bag-of-Encoders

• arxiv url: http://arxiv.org/abs/2511.14070v1
• Date: Tue, 18 Nov 2025 02:58:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.888644
• Title: ELiC: Efficient LiDAR Geometry Compression via Cross-Bit-depth Feature Propagation and Bag-of-Encoders
• Title（参考訳）: ELiC: クロスビット深度特徴伝搬とバグ・オブ・エンコーダによる効率的なLiDAR形状圧縮
• Authors: Junsik Kim, Gun Bang, Soowoong Kim,
• Abstract要約: LiDAR圧縮は、低ビット幅から高ビット幅までのボクセル占有率を符号化する。 ELiCは,クロスビット深度特徴伝搬,Bag-of-Encoders選択方式,Morton-order-reserving階層を組み合わせたリアルタイムフレームワークである。
• 参考スコア（独自算出の注目度）: 6.993324496891383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical LiDAR geometry compression encodes voxel occupancies from low to high bit-depths, yet prior methods treat each depth independently and re-estimate local context from coordinates at every level, limiting compression efficiency. We present ELiC, a real-time framework that combines cross-bit-depth feature propagation, a Bag-of-Encoders (BoE) selection scheme, and a Morton-order-preserving hierarchy. Cross-bit-depth propagation reuses features extracted at denser, lower depths to support prediction at sparser, higher depths. BoE selects, per depth, the most suitable coding network from a small pool, adapting capacity to observed occupancy statistics without training a separate model for each level. The Morton hierarchy maintains global Z-order across depth transitions, eliminating per-level sorting and reducing latency. Together these components improve entropy modeling and computation efficiency, yielding state-of-the-art compression at real-time throughput on Ford and SemanticKITTI. Code and models will be released upon publication.
• Abstract（参考訳）: 階層型LiDAR幾何圧縮はボクセル占有率を低ビットから高ビットまでエンコードするが、以前の手法では各深さを独立に扱い、各レベルの座標から局所的コンテキストを再推定し、圧縮効率を制限している。 本稿では,Bag-of-Encoders (BoE) 選択スキームとMorton-order-preserving 階層を組み合わせたリアルタイムフレームワーク ELiC を提案する。 クロスビット深さの伝搬は、より密度の低い深さで抽出された特徴を再利用し、スペーサーでの予測、より深さの予測を支援する。 BoEは、小さなプールから最も適切なコーディングネットワークを選択し、各レベルごとに個別のモデルをトレーニングすることなく、観測された占有率統計に適応する。 Morton階層は、ディープ・トランジションを越えたグローバルなZオーダーを維持し、レベル単位のソートを排除し、レイテンシを低減する。 これらのコンポーネントはエントロピーモデリングと計算効率を改善し、FordとSemanticKITTIのリアルタイムスループットで最先端の圧縮を実現する。 コードとモデルは公開時に公開される。

関連論文リスト

• Rethinking Autoregressive Models for Lossless Image Compression via Hierarchical Parallelism and Progressive Adaptation [75.58269386927076]
  自己回帰(AR)モデルは、しばしば計算コストの禁止のために非現実的に除外される。 この研究は、階層的並列性とプログレッシブ適応に基づくフレームワークを導入して、このパラダイムを再考する。 各種データセット(自然,衛星,医療)の実験により,本手法が新たな最先端圧縮を実現することを確認した。
  論文  参考訳（メタデータ） (2025-11-14T06:27:58Z)
• 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)
• A mini-batch training strategy for deep subspace clustering networks [6.517972913340111]
  ミニバッチトレーニングは現代のディープラーニングの基礎であり、複雑なアーキテクチャをトレーニングするための計算効率とスケーラビリティを提供する。 本研究では,グローバルな特徴表現を保存するメモリバンクを統合することで,深層空間クラスタリングのためのミニバッチ学習手法を提案する。 提案手法は,従来の制限を克服し,高解像度画像を用いたサブスペースクラスタリングのためのディープアーキテクチャのスケーラブルなトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-07-26T11:44:39Z)
• Hierarchical Attention Networks for Lossless Point Cloud Attribute Compression [22.234604407822673]
  本稿では,点雲の属性圧縮のための階層的注意コンテキストモデルを提案する。 単純で効果的なレベル・オブ・ディーテール(LoD)構造を導入し、粗い粒度表現を生成する。 同じ改善レベル内の点は並列に符号化され、共通のコンテキストポイントグループを共有する。
  論文  参考訳（メタデータ） (2025-04-01T07:14:10Z)
• Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution [55.9977636042469]
  圧縮深度マップ超解像のための新しいフレームワークGDNetを提案する。 グローバルおよび詳細な幾何学的特徴を別々に扱うことにより、高品質な深度マップ再構築プロセスを分離する。 我々の解は、幾何的整合性と詳細回復の観点から、現在の方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-11-05T16:37:30Z)
• Compressing Neural Networks: Towards Determining the Optimal Layer-wise Decomposition [62.41259783906452]
  本稿では,ディープニューラルネットワークのための新しいグローバル圧縮フレームワークを提案する。 各層を自動的に解析し、最適な層間圧縮比を特定する。 我々の結果は、現代のニューラルネットワークのグローバルなパフォーマンス-サイズトレードオフに関する将来の研究のための新たな道を開く。
  論文  参考訳（メタデータ） (2021-07-23T20:01:30Z)

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。