論文の概要: Octree-based Learned Point Cloud Geometry Compression: A Lossy Perspective

• arxiv url: http://arxiv.org/abs/2603.28095v1
• Date: Mon, 30 Mar 2026 06:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.267804
• Title: Octree-based Learned Point Cloud Geometry Compression: A Lossy Perspective
• Title（参考訳）: Octree-based Learned Point Cloud Geometry Compression: a Lossy Perspective
• Authors: Kaiyu Zheng, Wei Gao, Huiming Zheng,
• Abstract要約: 実験結果から,提案した葉ノード損失圧縮法は,従来のオクツリー法よりもオブジェクト点雲の方が有意に優れていた。 提案手法は,LiDAR点雲を微調整することなく,約1%のビット誤差を実現する。
• 参考スコア（独自算出の注目度）: 14.023239076857747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Octree-based context learning has recently become a leading method in point cloud compression. However, its potential on lossy compression remains undiscovered. The traditional lossy compression paradigm using lossless octree representation with quantization step adjustment may result in severe distortions due to massive missing points in quantization. Therefore, we analyze data characteristics of different point clouds and propose lossy approaches specifically. For object point clouds that suffer from quantization step adjustment, we propose a new leaf nodes lossy compression method, which achieves lossy compression by performing bit-wise coding and binary prediction on leaf nodes. For LiDAR point clouds, we explore variable rate approaches and propose a simple but effective rate control method. Experimental results demonstrate that the proposed leaf nodes lossy compression method significantly outperforms the previous octree-based method on object point clouds, and the proposed rate control method achieves about 1% bit error without finetuning on LiDAR point clouds.
• Abstract（参考訳）: Octreeベースのコンテキスト学習は、最近、ポイントクラウド圧縮において主要な方法となっている。 しかし、損失のある圧縮に対するその可能性はまだ明らかではない。 量子化ステップ調整による損失のないオクツリー表現を用いた従来の損失圧縮パラダイムは、量子化における大きな欠落点による激しい歪みをもたらす可能性がある。 そこで我々は,異なる点雲のデータ特性を解析し,特にロッキーなアプローチを提案する。 量子化ステップの調整に苦しむオブジェクトポイントクラウドに対して,ビットワイド符号化と二分予測を葉ノード上で行うことで損失圧縮を実現する新しい葉ノード損失圧縮法を提案する。 LiDAR点雲に対して、可変レートアプローチを探索し、単純だが効果的なレート制御法を提案する。 実験結果から,提案した葉ノード損失圧縮法は,従来のオクツリー法よりもオブジェクト点群の方が有意に優れており,提案手法はLiDAR点群を微調整することなく約1%のビット誤差を達成できることがわかった。

関連論文リスト

• Towards Practical Lossless Neural Compression for LiDAR Point Clouds [84.36825469211375]
  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。
  論文  参考訳（メタデータ） (2026-03-26T10:02:07Z)
• 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)
• DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds [54.96190721255167]
  ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。 本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-21T05:41:35Z)
• 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)
• Geometric Prior Based Deep Human Point Cloud Geometry Compression [67.49785946369055]
  我々は、点雲の幾何学的冗長性除去に先立って、人間の幾何学的手法を利用する。 高分解能な人点雲を幾何学的先行と構造的偏差の組み合わせとして考えることができる。 提案フレームワークは,既存の学習ベースポイントクラウド圧縮手法を用いて,プレイ・アンド・プラグ方式で動作可能である。
  論文  参考訳（メタデータ） (2023-05-02T10:35:20Z)
• ECM-OPCC: Efficient Context Model for Octree-based Point Cloud Compression [6.509720419113212]
  我々は,十分に効率的なコンテキストモデルを提案し,ポイントクラウドのための効率的なディープラーニングを設計する。 具体的には、まず、自己回帰的コンテキストを活用するために、ウィンドウ制約付きマルチグループ符号化戦略を提案する。 また、その祖先と兄弟に対する現在のノードの依存性を利用するためのデュアルトランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-20T09:20:32Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• 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。