論文の概要: DeepRAHT: Learning Predictive RAHT for Point Cloud Attribute Compression

• arxiv url: http://arxiv.org/abs/2601.12255v1
• Date: Sun, 18 Jan 2026 04:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.530282
• Title: DeepRAHT: Learning Predictive RAHT for Point Cloud Attribute Compression
• Title（参考訳）: DeepRAHT: ポイントクラウド属性圧縮のための予測的RAHTの学習
• Authors: Chunyang Fu, Tai Qin, Shiqi Wang, Zhu Li,
• Abstract要約: 地域適応階層変換(Regional Adaptive Hierarchical Transform、RAHT)は、有効点クラウド属性圧縮(PCAC)方式である。 本稿では,DeepRAHTと呼ばれるスパーステンソルをベースとしたPCACのエンドツーエンドRAHTフレームワークを提案する。 実験により、DeepRAHTはベースライン法よりも高性能で高速で堅牢な解であることが示された。
• 参考スコア（独自算出の注目度）: 18.366332807545437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regional Adaptive Hierarchical Transform (RAHT) is an effective point cloud attribute compression (PCAC) method. However, its application in deep learning lacks research. In this paper, we propose an end-to-end RAHT framework for lossy PCAC based on the sparse tensor, called DeepRAHT. The RAHT transform is performed within the learning reconstruction process, without requiring manual RAHT for preprocessing. We also introduce the predictive RAHT to reduce bitrates and design a learning-based prediction model to enhance performance. Moreover, we devise a bitrate proxy that applies run-length coding to entropy model, achieving seamless variable-rate coding and improving robustness. DeepRAHT is a reversible and distortion-controllable framework, ensuring its lower bound performance and offering significant application potential. The experiments demonstrate that DeepRAHT is a high-performance, faster, and more robust solution than the baseline methods. Project Page: https://github.com/zb12138/DeepRAHT.
• Abstract（参考訳）: 地域適応階層変換(Regional Adaptive Hierarchical Transform、RAHT)は、有効点クラウド属性圧縮(PCAC)方式である。 しかし、ディープラーニングへの応用には研究の欠如がある。 本稿では,DeepRAHTと呼ばれるスパーステンソルをベースとしたPCACのエンドツーエンドRAHTフレームワークを提案する。 RAHT変換は、前処理に手動RAHTを必要とせず、学習再構成プロセス内で実行される。 また、ビットレートを低減するための予測RAHTを導入し、性能を向上させるための学習ベース予測モデルを設計する。 さらに、エントロピーモデルに実行長符号化を適用し、シームレスな可変レート符号化を実現し、堅牢性を向上させるビットレートプロキシを考案する。 DeepRAHTは可逆かつ歪制御可能なフレームワークであり、その低いバウンド性能を保証し、アプリケーションの可能性を大きく提供する。 実験により、DeepRAHTはベースライン法よりも高性能で高速で堅牢な解であることが示された。 Project Page: https://github.com/zb12138/DeepRAHT.com

関連論文リスト

• DALD-PCAC: Density-Adaptive Learning Descriptor for Point Cloud Lossless Attribute Compression [42.588722134560456]
  我々は,ポイントクラウド属性圧縮に適した学習ベースのフレームワークであるDALD-PCACを開発した。 本研究では,変分変分変換器を用いて点雲の空間性や不規則性に対処するポイントワイズアテンションモデルを開発した。 LiDARとオブジェクトポイントクラウドの実験は、DALD-PCACがほとんどのデータで最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-01-18T04:54:46Z)
• 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)
• Proximal Algorithm Unrolling: Flexible and Efficient Reconstruction Networks for Single-Pixel Imaging [45.39911367007956]
  ディープ・アンロールとプラグ・アンド・プレイのアプローチは、単画素イメージング(SPI)逆問題におけるデファクトとなっている。 本稿では,両クラスの解き手の強みを統合するという課題に対処する。
  論文  参考訳（メタデータ） (2025-05-29T07:16:57Z)
• Half-order Fine-Tuning for Diffusion Model: A Recursive Likelihood Ratio Optimizer [16.103949557802988]
  確率拡散モデル(DM)は、連鎖構造を通して推論することで内容を生成する。 現代の手法は強化学習 (RL) と切り離されたバックプロパゲーション (BP) に基づいている DMのためのRLR(Recursive Likelihood Ratio)ファインチューニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-02-02T03:00:26Z)
• CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
  CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。 本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。 エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。 推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
  論文  参考訳（メタデータ） (2024-12-23T10:41:18Z)
• PYRA: Parallel Yielding Re-Activation for Training-Inference Efficient Task Adaptation [61.57833648734164]
  本稿では, PYRA(Parallel Yielding Re-Activation)法を提案する。 PYRAは低圧縮率と高圧縮率の両方で競合する全ての手法より優れている。
  論文  参考訳（メタデータ） (2024-03-14T09:06:49Z)
• A Distributed Deep Reinforcement Learning Technique for Application Placement in Edge and Fog Computing Environments [31.326505188936746]
  フォグ/エッジコンピューティング環境において, DRL(Deep Reinforcement Learning)に基づく配置技術が提案されている。 IMPortance weighted Actor-Learner Architectures (IMPALA) に基づくアクタ批判に基づく分散アプリケーション配置手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T11:25:03Z)
• Improving Computational Efficiency in Visual Reinforcement Learning via Stored Embeddings [89.63764845984076]
  効率的な強化学習のためのストアド埋め込み(SEER)について紹介します。 SEERは、既存の非政治深層強化学習方法の簡単な修正です。 計算とメモリを大幅に節約しながら、SEERがRLizableエージェントのパフォーマンスを低下させないことを示します。
  論文  参考訳（メタデータ） (2021-03-04T08:14:10Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)

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。