論文の概要: Inter-LPCM: Learning-based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression

• arxiv url: http://arxiv.org/abs/2605.18006v1
• Date: Mon, 18 May 2026 07:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.092635
• Title: Inter-LPCM: Learning-based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression
• Title（参考訳）: LPCM:LiDARポイントクラウド圧縮のための学習型フレーム間予測符号化
• Authors: Chang Sun, Hui Yuan, Shiqi Jiang, Chongzhen Tian, Guanghui Zhang, Raouf Hamzaoui,
• Abstract要約: LiDARセンサーは、角分解能が固定された点雲を取得する。 結果のデータは、球面座標系において体系的にパラメータ化され、効率的に圧縮される。 従来の球面座標に基づく点雲圧縮法は、強い速度歪み(RD)性能を示す。
• 参考スコア（独自算出の注目度）: 29.553034459162365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Because LiDAR sensors acquire point clouds with a fixed angular resolution, the resulting data can be systematically parameterized and efficiently compressed in the spherical coordinate system. Traditional spherical coordinate-based point cloud compression methods have demonstrated strong rate-distortion (RD) performance, with the predictive geometry coding (PredGeom) method in the geometry-based point cloud compression (G-PCC) standard being a prominent example. Although PredGeom includes an inter-frame prediction mode, it relies on a simple linear model, which limits its ability to capture complex motion patterns and structural dependencies. Meanwhile, existing learning-based compression methods in the spherical domain do not exploit inter-frame correlations to reduce geometry redundancy. To address these limitations, we propose a learning-based inter-frame predictive coding method, termed Inter-LPCM. For azimuth prediction, we employ a delta coding strategy based on the predefined angular resolution. To improve radius compression, we introduce an inter-frame radius predictive (Inter-RP) model that estimates the current point's radius using neighboring points from both the current frame and the registered reference frame. In addition, we design a lightweight attention-based prediction (LAEP) model to predict elevation angles by capturing long-range geometric correlations across different coordinates. For quantization, we propose an RD-optimized method to select quantization steps in the spherical coordinate system. For entropy coding, we design distinct models for each spherical coordinate component. These models are adapted to the statistical priors of each coordinate, enabling more accurate probability estimation. Our source code is publicly available at https://github.com/SDUChangSun/Inter-LPCM
• Abstract（参考訳）: LiDARセンサは角分解能が固定された点雲を取得するため、結果のデータを体系的にパラメータ化し、球面座標系で効率的に圧縮することができる。 従来の球面座標に基づく点クラウド圧縮法は、幾何ベースの点クラウド圧縮(G-PCC)標準における予測幾何符号化(PredGeom)法が顕著な例である。 PredGeomにはフレーム間予測モードが含まれているが、複雑な動きパターンや構造的依存関係をキャプチャする能力を制限する単純な線形モデルに依存している。 一方、球面領域における既存の学習に基づく圧縮手法では、フレーム間の相関を利用して幾何学的冗長性を低減することはできない。 これらの制約に対処するため、我々は、Inter-LPCMと呼ばれる学習ベースのフレーム間予測符号化手法を提案する。 方位予測には、予め定義された角分解能に基づくデルタ符号化戦略を用いる。 本研究では, フレーム間半径予測(Inter-RP)モデルを導入し, 現在のフレームと登録基準フレームの双方から隣接点を用いて現在の点半径を推定する。 さらに、異なる座標をまたいだ長距離幾何学的相関を捉えることにより、高度角を予測する軽量な注意ベース予測(LAEP)モデルを設計する。 量子化のために,球面座標系における量子化ステップを選択するRD最適化法を提案する。 エントロピー符号化では,各球面座標成分に対して異なるモデルを設計する。 これらのモデルは各座標の統計的先行に適応し、より正確な確率推定を可能にする。 ソースコードはhttps://github.com/SDUChangSun/Inter-LPCMで公開されています。

関連論文リスト

• Learning vertical coordinates via automatic differentiation of a dynamical core [39.817742239477255]
  本稿では,パラメトリックな垂直座標系を動的コア内の学習可能なコンポーネントとして定義する枠組みを提案する。 アラカワCグリッド上の2次元非静水性方程式に対するエンドツーエンドの微分可能な数値解法を開発した。 これらの学習座標は、非線形統計ベンチマークにおいて平均2乗誤差を1.4倍から2倍に減少させることを示した。
  論文  参考訳（メタデータ） (2025-12-19T18:31:07Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• 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)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Fast Point Cloud Geometry Compression with Context-based Residual Coding and INR-based Refinement [19.575833741231953]
  我々は、KNN法を用いて、原表面点の近傍を決定する。 条件付き確率モデルは局所幾何学に適応し、大きな速度減少をもたらす。 暗黙のニューラル表現を精製層に組み込むことで、デコーダは任意の密度で下面の点をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-08-06T05:24:06Z)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• A New Framework for Registration of Semantic Point Clouds from Stereo and RGB-D Cameras [10.658332751840891]
  本稿では、新しい非パラメトリックな剛性点クラウド登録フレームワークについて報告する。 点雲は再現可能な核ヒルベルト空間における非パラメトリック関数として表される。 提案するフレームワークに固有の,新たなポイントクラウドアライメント指標を提案する。
  論文  参考訳（メタデータ） (2020-11-10T23:26:14Z)

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。