論文の概要: PACE: Post-Causal Entropy Modeling for Learned LiDAR Point Cloud Compression

• arxiv url: http://arxiv.org/abs/2605.01320v1
• Date: Sat, 02 May 2026 08:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.703614
• Title: PACE: Post-Causal Entropy Modeling for Learned LiDAR Point Cloud Compression
• Title（参考訳）: PACE: 学習したLiDARポイントクラウド圧縮のための因果エントロピーモデリング
• Authors: Jiahao Zhu, Kang You, Dandan Ding, Zhan Ma,
• Abstract要約: LiDARポイントクラウド圧縮は、高解像度センサーから大量のデータを処理するために自律システムにとって不可欠である。 PACEは、祖先のコンテキストアグリゲーションを非因果バックボーンとして再構成し、因果関係を軽量でステージスケーラ可能な予測器に変換する新しいフレームワークである。 実験により、PACEは圧縮効率を新たな最先端に設定し、顕著なBD-BR節約を実現し、自動回帰モードで復号遅延を90%以上削減した。
• 参考スコア（独自算出の注目度）: 43.524231862354405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR point cloud compression is vital for autonomous systems to handle massive data from high-resolution sensors. While learned entropy modeling built upon octree structures yields high compression gains, it faces two critical bottlenecks: 1) prohibitive latency, particularly during decoding, caused by causal, multi-stage context modeling; and 2) a rigid performance-latency trade-off, preventing a single model from adapting to varying constraints. These limitations stem from the tight coupling between context aggregation backbone and probability prediction. To address this, we propose PACE, a new framework that reformulates ancestral context aggregation as a non-causal backbone and confines causality to a lightweight, stage-scalable predictor, eliminating repetitive backbone executions and reducing computational overhead. The predictor supports an arbitrary number of prediction stages, supporting seamless adaptation across diverse performance-latency trade-offs without reloading parameters. Experiments demonstrate that PACE sets a new state-of-the-art in compression efficiency, achieving notable BD-BR savings and reducing decoding latency by over 90% in autoregressive mode, highly attractive for practical applications.
• Abstract（参考訳）: LiDARポイントクラウド圧縮は、高解像度センサーから大量のデータを処理するために自律システムにとって不可欠である。 オクツリー構造上に構築された学習エントロピーモデリングは高い圧縮ゲインをもたらすが、2つの重要なボトルネックに直面している。 1) 遅延の禁止、特に復号中は、因果的多段階コンテキストモデリングによって生じる。 2) 厳格なパフォーマンスレイテンシのトレードオフであり、単一のモデルがさまざまな制約に適応するのを防ぐ。 これらの制限は、コンテキスト集約バックボーンと確率予測の密結合に起因する。 そこで本研究では,祖先のコンテキストアグリゲーションを非因果バックボーンとして再構成し,因果関係を軽量でステージスケーラブルな予測器に限定し,繰り返しバックボーンの実行を排除し,計算オーバーヘッドを削減する新しいフレームワーク PACE を提案する。 予測器は任意の数の予測段階をサポートし、パラメータを再ロードすることなく、さまざまなパフォーマンス-レイテンシトレードオフをシームレスに適応する。 実験により、PACEは圧縮効率の新たな最先端性を設定し、顕著なBD-BR節約を実現し、自動回帰モードで復号遅延を90%以上削減し、実用的な用途に非常に魅力的であることが示された。

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)
• 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)
• HPC: Hierarchical Point-based Latent Representation for Streaming Dynamic Gaussian Splatting Compression [14.759497852655047]
  本稿では,新しいストリーミング動的ガウススプラッティング圧縮フレームワークであるHPCを提案する。 これは、非占有空間におけるパラメータ冗長性を避けるために、ガウス単位の階層的な点ベースの潜在表現を用いる。 高い復元率を維持しながら、ベースラインに対して67%のストレージ削減を実現している。
  論文  参考訳（メタデータ） (2026-01-31T11:35:02Z)
• An Efficient Gradient-Aware Error-Bounded Lossy Compressor for Federated Learning [7.649286962189554]
  フェデレートラーニング(FL)は、クライアントのプライベートデータを公開せずに、協調的なモデルトレーニングを可能にする。 EBLCは特に、細粒度のユーティリティ圧縮トレードオフをアピールしている。 モデル精度を保ちながら高い圧縮率を達成するために,FL勾配データに適したEBLCフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-07T23:59:09Z)
• CompGS++: Compressed Gaussian Splatting for Static and Dynamic Scene Representation [60.712165339762116]
  CompGS++はコンパクトガウスプリミティブを活用して正確な3Dモデリングを実現する新しいフレームワークである。 私たちの設計は、プリミティブ間の冗長性をなくすという原則に基づいている。 私たちの実装は、さらなる研究を促進するためにGitHubで公開されます。
  論文  参考訳（メタデータ） (2025-04-17T15:33:01Z)
• Choose Your Model Size: Any Compression of Large Language Models Without Re-Computation [10.376875638696504]
  本研究は, 圧縮性能トレードオフを決定するアルゴリズム手法であるACIP (Any Compression via Iterative Pruning) を提案する。 線形層をSVDで再パラメータ化し,その特異値をスペーサ性誘導ペナルティで反復的にプルーする。 本稿では,ACIPが共通量子化に基づく圧縮手法をシームレスに補完することを示す。
  論文  参考訳（メタデータ） (2025-02-03T18:40:58Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)

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。