論文の概要: DUGAE: Unified Geometry and Attribute Enhancement via Spatiotemporal Correlations for G-PCC Compressed Dynamic Point Clouds

• arxiv url: http://arxiv.org/abs/2603.26183v1
• Date: Fri, 27 Mar 2026 08:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.411148
• Title: DUGAE: Unified Geometry and Attribute Enhancement via Spatiotemporal Correlations for G-PCC Compressed Dynamic Point Clouds
• Title（参考訳）: DUGAE:G-PCC圧縮ダイナミックポイント雲の時空間相関による統一幾何学と属性強化
• Authors: Pan Zhao, Hui Yuan, Chang Sun, Chongzhen Tian, Raouf Hamzaoui, Sam Kwong,
• Abstract要約: 本稿では,G時間動点雲に対する統合幾何・属性拡張フレームワーク(DUGAE)を提案する。 まず,疎相関に基づく動的幾何拡張ネットワーク(DGE-Net)を提案する。 次に、DA-KNN(DA-KNN)再符号化モジュールは、元の属性を拡張幾何にマッピングする。
• 参考スコア（独自算出の注目度）: 52.12923576880453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing post-decoding quality enhancement methods for point clouds are designed for static data and typically process each frame independently. As a result, they cannot effectively exploit the spatiotemporal correlations present in point cloud sequences.We propose a unified geometry and attribute enhancement framework (DUGAE) for G-PCC compressed dynamic point clouds that explicitly exploits inter-frame spatiotemporal correlations in both geometry and attributes. First, a dynamic geometry enhancement network (DGE-Net) based on sparse convolution (SPConv) and feature-domain geometry motion compensation (GMC) aligns and aggregates spatiotemporal information. Then, a detail-aware k-nearest neighbors (DA-KNN) recoloring module maps the original attributes onto the enhanced geometry at the encoder side, improving mapping completeness and preserving attribute details. Finally, a dynamic attribute enhancement network (DAE-Net) with dedicated temporal feature extraction and feature-domain attribute motion compensation (AMC) refines attributes by modeling complex spatiotemporal correlations. On seven dynamic point clouds from the 8iVFB v2, Owlii, and MVUB datasets, DUGAE significantly enhanced the performance of the latest G-PCC geometry-based solid content test model (GeS-TM v10). For geometry (D1), it achieved an average BD-PSNR gain of 11.03 dB and a 93.95% BD-bitrate reduction. For the luma component, it achieved a 4.23 dB BD-PSNR gain with a 66.61% BD-bitrate reduction. DUGAE also improved perceptual quality (as measured by PCQM) and outperformed V-PCC. Our source code will be released on GitHub at: https://github.com/yuanhui0325/DUGAE
• Abstract（参考訳）: 既存のポイントクラウドの品質向上手法は静的データ用に設計されており、典型的には各フレームを独立して処理する。 その結果,G-PCC圧縮動的点群に対する統合幾何・属性拡張フレームワーク (DUGAE) を提案する。 まず、スパース畳み込み(SPConv)と特徴領域幾何運動補償(GMC)に基づく動的幾何拡張ネットワーク(DGE-Net)が時空間情報をアライメントし集約する。 次に、DA-KNN(de detail-aware k-nearest neighbors)再カラー化モジュールは、元の属性をエンコーダ側の拡張幾何にマッピングし、マッピング完全性を改善し、属性の詳細を保存する。 最後に、時間的特徴抽出と特徴領域属性運動補償(AMC)を備えた動的属性強化ネットワーク(DAE-Net)は、複雑な時空間相関をモデル化して属性を洗練する。 8iVFB v2、Owlii、MVUBデータセットからの7つの動的点雲において、DUGAEは最新のG-PCC幾何に基づく固形コンテンツテストモデル(GeS-TM v10)の性能を大幅に向上させた。 幾何学(D1)では、平均BD-PSNRの11.03dB、93.95%のBD-bitrate還元を達成した。 ルマは4.23dBのBD-PSNRを66.61%のBD-bitrateで達成した。 DUGAEは知覚品質(PCQMで測定される)も改善し、V-PCCよりも優れていた。 ソースコードはGitHubで公開される。 https://github.com/yuanhui0325/DUGAE

関連論文リスト

• MEGA-PCC: A Mamba-based Efficient Approach for Joint Geometry and Attribute Point Cloud Compression [9.422873276112067]
  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。
  論文  参考訳（メタデータ） (2025-12-27T04:43:36Z)
• UGAE: Unified Geometry and Attribute Enhancement for G-PCC Compressed Point Clouds [16.087557412139656]
  統合幾何および属性拡張フレームワークを提案する。 ポストジオメトリエンハンスメント(PoGE)、プレアトリビュートエンハンスメント(PAE)、ポストアトリビュートエンハンスメント(PoAE)の3つのコアコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-10-27T05:01:57Z)
• STQE: Spatial-Temporal Attribute Quality Enhancement for G-PCC Compressed Dynamic Point Clouds [52.435843736488145]
  圧縮された動的点雲の視覚的品質を改善するために,空間的・時間的相関を利用した時空間属性品質向上(STQE)ネットワークを提案する。 私たちのコントリビューションには、参照属性情報を現在のフレーム形状に再マップして、フレーム間の正確なアライメントを実現する、リカラーベースのモーション補償モジュールが含まれています。 最新のG-PCCテストモデルに適用すると、STQEはデルタPSNRの0.855dB、0.682dB、0.828dBの改善を達成し、Bjontegaard Delta rate (BD-rate) は-25.2%、-31.6%、そして-。
  論文  参考訳（メタデータ） (2025-07-23T14:03:54Z)
• PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
  点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2025-02-26T07:34:33Z)
• Deep-JGAC: End-to-End Deep Joint Geometry and Attribute Compression for Dense Colored Point Clouds [32.891169081810574]
  本稿では,エンドツーエンドのDeep Joint Geometry and Attribute Point Cloud Compressionフレームワークを提案する。 幾何と属性の相関を利用して高い圧縮効率を向上する。 提案されたDeep-JGACは平均82.96%、36.46%、41.72%、31.16%のビットレート削減を達成した。
  論文  参考訳（メタデータ） (2025-02-25T08:01:57Z)
• 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)

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。