論文の概要: DALD-PCAC: Density-Adaptive Learning Descriptor for Point Cloud Lossless Attribute Compression

• arxiv url: http://arxiv.org/abs/2601.12261v1
• Date: Sun, 18 Jan 2026 04:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.536094
• Title: DALD-PCAC: Density-Adaptive Learning Descriptor for Point Cloud Lossless Attribute Compression
• Title（参考訳）: DALD-PCAC:point Cloud Lossless Attribute Compressionのための密度適応型学習記述子
• Authors: Chunyang Fu, Ge Li, Wei Gao, Shiqi Wang, Zhu Li, Shan Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.588722134560456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, deep learning has significantly advanced the performance of point cloud geometry compression. However, the learning-based lossless attribute compression of point clouds with varying densities is under-explored. In this paper, we develop a learning-based framework, namely DALD-PCAC that leverages Levels of Detail (LoD) to tailor for point cloud lossless attribute compression. We develop a point-wise attention model using a permutation-invariant Transformer to tackle the challenges of sparsity and irregularity of point clouds during context modeling. We also propose a Density-Adaptive Learning Descriptor (DALD) capable of capturing structure and correlations among points across a large range of neighbors. In addition, we develop a prior-guided block partitioning to reduce the attribute variance within blocks and enhance the performance. Experiments on LiDAR and object point clouds show that DALD-PCAC achieves the state-of-the-art performance on most data. Our method boosts the compression performance and is robust to the varying densities of point clouds. Moreover, it guarantees a good trade-off between performance and complexity, exhibiting great potential in real-world applications. The source code is available at https://github.com/zb12138/DALD_PCAC.
• Abstract（参考訳）: 近年,深層学習は点雲幾何圧縮の性能を大幅に向上させた。 しかし、密度の異なる点雲の学習に基づくロスレス属性圧縮は未探索である。 本稿では, DALD-PCAC(Levels of Detail (LoD))を利用して, ポイントクラウドロスレス属性圧縮に適した学習ベースのフレームワークを開発する。 本研究では,変分変分変換器を用いたポイントワイドアテンションモデルを構築し,コンテキストモデリングにおける点雲のスパーシリティと不規則性の課題に対処する。 また,広範囲な近隣地域の点間の構造と相関を把握できる密度適応学習記述子 (DALD) を提案する。 さらに,ブロック内の属性分散を低減し,性能を向上させるために,事前誘導型ブロック分割法を開発した。 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。 提案手法は圧縮性能を向上し, 点雲の密度の変動に頑健である。 さらに、パフォーマンスと複雑性の良好なトレードオフを保証し、現実世界のアプリケーションに大きな可能性を示します。 ソースコードはhttps://github.com/zb12138/DALD_PCACで公開されている。

関連論文リスト

• 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)
• 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)
• Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
  3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。 ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。 そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T16:12:51Z)
• Att2CPC: Attention-Guided Lossy Attribute Compression of Point Clouds [18.244200436103156]
  本稿では, オートエンコーダアーキテクチャを利用して, ポイントクラウド属性を効率よく圧縮する手法を提案する。 実験の結果,YチャネルのBD-PSNRとYUVチャネルの平均改善率は1.15dBと2.13dBであることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T12:32:21Z)
• 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)
• PVContext: Hybrid Context Model for Point Cloud Compression [61.24130634750288]
  我々は,効率的なオクツリーベースのポイントクラウド圧縮のためのハイブリッドコンテキストモデルPVContextを提案する。 PVContextは、ボクセルを用いて局所幾何学情報を正確に表現するVoxel Contextと、ポイントクラウドからグローバルな形状情報を効率的に保存するPoint Contextの2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-09-19T12:47:35Z)
• 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)
• 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)
• Variable Rate Compression for Raw 3D Point Clouds [5.107705550575662]
  そこで本研究では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。 我々のネットワークは、ポイントクラウドを明示的に処理し、圧縮された記述を生成することができる。
  論文  参考訳（メタデータ） (2022-02-28T15:15:39Z)

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。