論文の概要: MEGA-PCC: A Mamba-based Efficient Approach for Joint Geometry and Attribute Point Cloud Compression

• arxiv url: http://arxiv.org/abs/2512.22463v1
• Date: Sat, 27 Dec 2025 04:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.066169
• Title: MEGA-PCC: A Mamba-based Efficient Approach for Joint Geometry and Attribute Point Cloud Compression
• Title（参考訳）: MEGA-PCC: マンバをベースとしたジョイントジオメトリーと属性ポイントクラウド圧縮のための効率的なアプローチ
• Authors: Kai-Hsiang Hsieh, Monyneath Yim, Wen-Hsiao Peng, Jui-Chiu Chiang,
• Abstract要約: MEGA-PCCは、完全エンドツーエンドの学習ベースのフレームワークで、ジョイント圧縮のための2つの特別なモデルを備えている。 従来のベースラインと学習ベースのベースラインの両方と比較して、速度歪み性能と実行効率が優れている。
• 参考スコア（独自算出の注目度）: 9.422873276112067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint compression of point cloud geometry and attributes is essential for efficient 3D data representation. Existing methods often rely on post-hoc recoloring procedures and manually tuned bitrate allocation between geometry and attribute bitstreams in inference, which hinders end-to-end optimization and increases system complexity. To overcome these limitations, we propose MEGA-PCC, a fully end-to-end, learning-based framework featuring two specialized models for joint compression. The main compression model employs a shared encoder that encodes both geometry and attribute information into a unified latent representation, followed by dual decoders that sequentially reconstruct geometry and then attributes. Complementing this, the Mamba-based Entropy Model (MEM) enhances entropy coding by capturing spatial and channel-wise correlations to improve probability estimation. Both models are built on the Mamba architecture to effectively model long-range dependencies and rich contextual features. By eliminating the need for recoloring and heuristic bitrate tuning, MEGA-PCC enables data-driven bitrate allocation during training and simplifies the overall pipeline. Extensive experiments demonstrate that MEGA-PCC achieves superior rate-distortion performance and runtime efficiency compared to both traditional and learning-based baselines, offering a powerful solution for AI-driven point cloud compression.
• Abstract（参考訳）: 点雲幾何学と属性の合同圧縮は、効率的な3次元データ表現に不可欠である。 既存の手法は、しばしばポストホックな再色処理や、推論における幾何学と属性のビットストリーム間のビットレート割り当てを手動で調整することで、エンドツーエンドの最適化を妨げ、システムの複雑さを増大させる。 これらの制約を克服するために,共同圧縮のための2つの特化モデルを備えた完全エンドツーエンドの学習ベースフレームワークMEGA-PCCを提案する。 主圧縮モデルは、共有エンコーダを使用して、幾何学情報と属性情報を統一された潜在表現に符号化し、次いで、幾何と属性を逐次再構成するデュアルデコーダを用いる。 補足することで,マンバのエントロピーモデル(MEM)は,空間的およびチャネル的相関を捉えることでエントロピー符号化を強化し,確率推定を改善する。 どちらのモデルも、長距離依存とリッチなコンテキスト特徴を効果的にモデル化するために、Mambaアーキテクチャ上に構築されている。 MEGA-PCCは、リカラー化とヒューリスティックなビットレートチューニングを不要にすることで、トレーニング中のデータ駆動のビットレート割り当てを可能にし、パイプライン全体を単純化する。 大規模な実験により、MEGA-PCCは従来のベースラインと学習ベースのベースラインの両方と比較して、速度歪み性能と実行効率に優れており、AI駆動のポイントクラウド圧縮のための強力なソリューションを提供する。

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)
• SEDD-PCC: A Single Encoder-Dual Decoder Framework For End-To-End Learned Point Cloud Compression [2.1902373533152346]
  損失点クラウド圧縮のためのエンドツーエンド学習ベースのフレームワークSEDD-PCCを提案する。 単一エンコーダを用いて、共通な幾何学的特徴と属性的特徴を統一された潜在空間に抽出し、次いで、幾何学的特徴と属性を逐次再構成する2つの特殊デコーダを用いる。 SEDD-PCCはシンプルで効果的な設計で、ポイントクラウド圧縮のための効率的で実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-22T14:11:24Z)
• Efficient Token Compression for Vision Transformer with Spatial Information Preserved [59.79302182800274]
  トーケン圧縮は、トランスモデルの計算およびメモリ要求の低減に不可欠である。 本稿では,Prune と Merge という,効率的なハードウェア互換のトークン圧縮手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T14:23:18Z)
• 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)
• Learned Compression of Point Cloud Geometry and Attributes in a Single Model through Multimodal Rate-Control [2.7077560296908416]
  我々は単一適応オートエンコーダモデルを用いて幾何学と属性の合同圧縮を学習する。 本評価は, 形状と属性に対する最先端圧縮手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-08-01T14:31:06Z)

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。