論文の概要: LiZIP: An Auto-Regressive Compression Framework for LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2603.23162v1
• Date: Tue, 24 Mar 2026 13:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.487241
• Title: LiZIP: An Auto-Regressive Compression Framework for LiDAR Point Clouds
• Title（参考訳）: LiZIP: LiDARポイントクラウドのための自動回帰圧縮フレームワーク
• Authors: Aditya Shibu, Kayvan Karim, Claudio Zito,
• Abstract要約: LiZIPは、ニューラルネットワークの予測符号化に基づく軽量で、ほぼロスレスなゼロドリフト圧縮フレームワークである。 コンパクトなMulti-Layer Perceptronを用いてスパース残差のみを符号化する。 様々な環境にまたがる優れた圧縮比を一貫して達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The massive volume of data generated by LiDAR sensors in autonomous vehicles creates a bottleneck for real-time processing and vehicle-to-everything (V2X) transmission. Existing lossless compression methods often force a trade-off: industry standard algorithms (e.g., LASzip) lack adaptability, while deep learning approaches suffer from prohibitive computational costs. This paper proposes LiZIP, a lightweight, near-lossless zero-drift compression framework based on neural predictive coding. By utilizing a compact Multi-Layer Perceptron (MLP) to predict point coordinates from local context, LiZIP efficiently encodes only the sparse residuals. We evaluate LiZIP on the NuScenes and Argoverse datasets, benchmarking against GZip, LASzip, and Google Draco (configured with 24-bit quantization to serve as a high-precision geometric baseline). Results demonstrate that LiZIP consistently achieves superior compression ratios across varying environments. The proposed system achieves a 7.5%-14.8% reduction in file size compared to the industry-standard LASzip and outperforms Google Draco by 8.8%-11.3% across diverse datasets. Furthermore, the system demonstrates generalization capabilities on the unseen Argoverse dataset without retraining. Against the general purpose GZip algorithm, LiZIP achieves a reduction of 38%-48%. This efficiency offers a distinct advantage for bandwidth constrained V2X applications and large scale cloud archival.
• Abstract（参考訳）: 自動運転車のLiDARセンサーが生成する膨大な量のデータは、リアルタイム処理とV2X伝送のボトルネックを生み出します。 業界標準アルゴリズム(LASzipなど)は適応性に欠けており、ディープラーニングアプローチは計算コストの禁止に悩まされている。 本稿では,ニューラルネットワークに基づく軽量・近距離ゼロドリフト圧縮フレームワークLiZIPを提案する。 局所的なコンテキストから点座標を予測するためにコンパクトなMulti-Layer Perceptron(MLP)を用いることで、LiZIPはスパース残差のみを効率的に符号化する。 我々は、GZip、LASzip、Google Draco(高精度な幾何学的ベースラインとして24ビット量子化を設定)に対してベンチマークを行い、NuScenesおよびArgoverseデータセット上でLiZIPを評価する。 その結果、LiZIPは様々な環境にまたがって優れた圧縮比を実現していることがわかった。 提案システムは、業界標準のLASzipと比較してファイルサイズを7.5%-14.8%削減し、さまざまなデータセットでGoogle Dracoを8.8%-11.3%上回っている。 さらに、このシステムは、再トレーニングすることなく、目に見えないArgoverseデータセット上の一般化機能を示す。 汎用的なGZipアルゴリズムに対して、LiZIPは38%-48%の削減を実現している。 この効率性は、帯域制限付きV2Xアプリケーションと大規模クラウドアーカイブに対して明確な利点を提供する。

関連論文リスト

• ZipServ: Fast and Memory-Efficient LLM Inference with Hardware-Aware Lossless Compression [19.538318240352424]
  ロスレスモデル圧縮は、ビットエクササイズ大言語モデル(LLM)サービスにおけるメモリと帯域幅のボトルネックを軽減するために、非常に有望である。 既存のアプローチは、GPUアーキテクチャと基本的な設計ミスマッチのため、かなり推論が遅くなることが多い。 我々は、効率的なLLM推論のために共同設計されたロスレス圧縮フレームワークZipServを提案する。
  論文  参考訳（メタデータ） (2026-03-18T07:21:21Z)
• ProGIC: Progressive and Lightweight Generative Image Compression with Residual Vector Quantization [59.481950697968706]
  残留ベクトル量子化(RVQ)に基づくコンパクトなプログレッシブ生成画像圧縮(ProGIC)を提案する。 RVQでは、ベクトル量子化器の列がステージごとに残余を符号化し、それぞれが独自のコードブックを持つ。 これを奥行き分離可能な畳み込みと小さな注意ブロックに基づく軽量なバックボーンと組み合わせることで、GPUとCPUのみのデバイスに実用的なデプロイを可能にします。
  論文  参考訳（メタデータ） (2026-03-03T11:47:05Z)
• 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)
• CORE-RAG: Lossless Compression for Retrieval-Augmented LLMs via Reinforcement Learning [22.93037884068796]
  Retrieval-Augmented Generation (RAG) は、知識更新のタイムラインと大規模言語モデルにおける応答の事実的正確性を高めるための有望なアプローチとして登場した。 RAG用に調整された文書圧縮への既存のアプローチは、しばしばタスクパフォーマンスを低下させる。 我々は、RAGにおけるロスレスコンテキスト圧縮の新しい手法であるCOREを提案する。
  論文  参考訳（メタデータ） (2025-08-24T12:21:50Z)
• EoRA: Fine-tuning-free Compensation for Compressed LLM with Eigenspace Low-Rank Approximation [84.70637613266835]
  EoRAは、圧縮されたLarge Language Modelを低ランク行列で拡張する微調整不要な手法である。 EoRAは、圧縮LDMの精度を回復するために、トレーニングなしの低ランク法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-10-28T17:59:03Z)
• ZipLM: Inference-Aware Structured Pruning of Language Models [56.52030193434863]
  ZipLMと呼ばれる大規模言語モデル(LLM)に対する新しい構造化圧縮手法を提案する。 ZipLMは、所望のランタイムスピードアップのセットをマッチングしながら、最先端の精度-vs-スピードアップを実現する。 ZipLMはすべての設定で最先端の圧縮モデルを生成する。
  論文  参考訳（メタデータ） (2023-02-07T18:55:28Z)
• Efficient LiDAR Point Cloud Geometry Compression Through Neighborhood Point Attention [25.054578678654796]
  この研究は、それらに取り組むための近隣点注意(NPA)を示唆している。 まず、k近辺(kNN)を用いて、適応的な地域地区を構築する。 そして、この地区内の情報を動的に集約するために自己認識機構を利用する。
  論文  参考訳（メタデータ） (2022-08-26T10:44:30Z)
• DeepCompress: Efficient Point Cloud Geometry Compression [1.808877001896346]
  本稿では,ポイントクラウド圧縮のためのより効率的なディープラーニングベースのエンコーダアーキテクチャを提案する。 CENIC(Efficient Neural Image Compression)から学習した活性化関数を組み込むことで,効率と性能が劇的に向上することを示す。 提案手法は,BjontegardデルタレートとPSNR値において,ベースラインアプローチよりも小さなマージンで優れていた。
  論文  参考訳（メタデータ） (2021-06-02T23:18:11Z)
• OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression [77.8842824702423]
  本稿では,LiDAR点雲のメモリフットプリントを削減するための新しいディープ圧縮アルゴリズムを提案する。 本手法は,メモリフットプリントを低減するために,点間の間隔と構造的冗長性を利用する。 我々のアルゴリズムは、自動運転車などのアプリケーションにおいて、LiDARポイントのオンボードおよびオフボードストレージを減らすために使用できる。
  論文  参考訳（メタデータ） (2020-05-14T17:48:49Z)

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。