論文の概要: Towards Practical Lossless Neural Compression for LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2603.25260v1
• Date: Thu, 26 Mar 2026 10:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.232491
• Title: Towards Practical Lossless Neural Compression for LiDAR Point Clouds
• Title（参考訳）: LiDAR点雲の実用的無損失ニューラル圧縮に向けて
• Abstract要約: 高精度な幾何学的詳細の極端に広い範囲は、効率的な文脈モデリングを妨げる。 私たちのフレームワークは2つの軽量モジュールで構成されています。 実験では、リアルタイムに競争力のある圧縮性能を示す。
• 参考スコア（独自算出の注目度）: 84.36825469211375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR point clouds are fundamental to various applications, yet the extreme sparsity of high-precision geometric details hinders efficient context modeling, thereby limiting the compression speed and performance of existing methods. To address this challenge, we propose a compact representation for efficient predictive lossless coding. Our framework comprises two lightweight modules. First, the Geometry Re-Densification Module iteratively densifies encoded sparse geometry, extracts features at a dense scale, and then sparsifies the features for predictive coding. This module avoids costly computation on highly sparse details while maintaining a lightweight prediction head. Second, the Cross-scale Feature Propagation Module leverages occupancy cues from multiple resolution levels to guide hierarchical feature propagation, enabling information sharing across scales and reducing redundant feature extraction. Additionally, we introduce an integer-only inference pipeline to enable bit-exact cross-platform consistency, which avoids the entropy-coding collapse observed in existing neural compression methods and further accelerates coding. Experiments demonstrate competitive compression performance at real-time speed. Code will be released upon acceptance. Code is available at https://github.com/pengpeng-yu/FastPCC.
• Abstract（参考訳）: LiDAR点雲は様々な用途において基本的なものであるが、高精度な幾何学的詳細が極端に広いため、効率的なコンテキストモデリングが妨げられ、既存の手法の圧縮速度と性能が制限される。 この課題に対処するために,効率的な予測ロスレス符号化のためのコンパクト表現を提案する。 私たちのフレームワークは2つの軽量モジュールで構成されています。 まず、Geometry Re-Densification Moduleは、エンコードされたスパース幾何学を反復的に密度付けし、密集したスケールで特徴を抽出し、予測的符号化のための特徴をスパース化する。 このモジュールは、軽量な予測ヘッドを維持しながら、非常にスパースな詳細に関するコスト計算を避ける。 第二に、クロススケール機能伝搬モジュールは、複数の解像度レベルからの占有キューを活用して、階層的な機能伝搬をガイドし、スケール間での情報共有を可能にし、冗長な機能抽出を減らす。 さらに,既存のニューラル圧縮法で観測されるエントロピー符号化の崩壊を回避し,さらに高速な符号化を実現するため,整数のみの推論パイプラインを導入している。 実験では、リアルタイムに競争力のある圧縮性能を示す。 コードは受理時にリリースされる。 コードはhttps://github.com/pengpeng-yu/FastPCCで入手できる。

関連論文リスト

• Faster Than Flash: Exploiting Attention Sparsity for Efficient Long-Context Decoding [51.48425605758328]
  我々は,Faster Flash Decoding (FFD) という,長文デコーディングにおいてメモリ壁を壊すように設計されたハードウェア・アルゴリズムの共同設計フレームワークを提示する。 FFDはセレクタとコンピュータを完全に融合したカーネルに統合し、外部メタデータのインデックスをコンテンツ認識スキャンに置き換える。 最大11.6倍のカーネルレベルのスピードアップと256Kコンテキスト長のスケーリングを実現し、2.37倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2026-08-31T15:13:20Z)
• Compressed-Sensing-Guided, Inference-Aware Structured Reduction for Large Language Models [0.0]
  大規模言語モデルは強力な生成性能を提供するが、膨大なパラメータ数、メモリ使用量、復号遅延のコストがかかる。 動的LLM実行のための統合圧縮センシング誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-22T14:27:24Z)
• Arbitrary Ratio Feature Compression via Next Token Prediction [52.10426317889982]
  Arbitrary Ratio Feature Compression (ARFC)フレームワークは、任意の圧縮比を単一のモデルでサポートする。 ARCは、次の回帰予測によって圧縮を行う自動回帰モデルである。 MoSモジュールは複数の圧縮結果を利用して圧縮トークンを洗練する。 ERGCは、圧縮中の意味的および構造的関係を維持するために、トレーニングプロセスに統合される。
  論文  参考訳（メタデータ） (2026-02-12T02:38:57Z)
• ELiC: Efficient LiDAR Geometry Compression via Cross-Bit-depth Feature Propagation and Bag-of-Encoders [6.993324496891383]
  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。
  論文  参考訳（メタデータ） (2025-11-18T02:58:16Z)
• 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)
• LINR-PCGC: Lossless Implicit Neural Representations for Point Cloud Geometry Compression [22.44693836632384]
  Inlicit Neural Representation (INR)法は、過度に適合したネットワークパラメータをビットストリームに符号化することで問題を解決する。 符号化時間とデコーダサイズに制限があるため、現在のINRベースの手法では、ロッキーな幾何学的圧縮しか考慮していない。 我々は、ポイントクラウド幾何圧縮(LINR-PCGC)のためのロスレスインシシシトニューラルネットワーク表現を提案する。
  論文  参考訳（メタデータ） (2025-07-21T14:48:54Z)
• Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
  成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。 本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。 この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
  論文  参考訳（メタデータ） (2025-05-24T15:52:49Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)

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。