論文の概要: Motion Estimation Techniques for Volumetric Video Attribute Compression
- arxiv url: http://arxiv.org/abs/2607.03576v1
- Date: Fri, 03 Jul 2026 19:36:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.652154
- Title: Motion Estimation Techniques for Volumetric Video Attribute Compression
- Title（参考訳）: ボリューム映像属性圧縮のための動き推定手法
- Abstract要約: ポイントクラウド圧縮は、幾何学と属性の両方を圧縮する技術に依存している。
本稿では,動的ソリッドポイント雲の属性を圧縮する幾何学的インターコーディング手法を提案する。
MPEGフリーな分数ボクセル運動推定法を提案し, 分数ボクセルの精度を向上する。
- 参考スコア（独自算出の注目度）: 34.164947762310156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud compression relies on techniques to compress both geometry and attributes. Motion-based approaches for dynamic solid point cloud geometry compression within the geometry-based point cloud compression (G-PCC) framework have achieved significant reductions in geometry rate. However, motion-based techniques for attribute compression remain underexplored, making it challenging to achieve significant reductions in the temporal redundancy of attributes. Firstly, this paper proposes a geometry-based inter-coding scheme to compress the attributes of dynamic solid point clouds. Secondly, a graph-based motion-estimation scheme for point-cloud attribute compression is proposed. Thirdly, an interpolation-free fractional-voxel motion estimation method is proposed to refine motion accuracy to fractional-voxel precision. Our experimental results on the MPEG point cloud dataset show that the proposed scheme outperforms G-PCC, GeS-TM, and V-PCC in lossless and lossy geometry conditions. We achieve average bitrate savings of $55.3\%$, $42.3\%$, and $16.5\%$ over G-PCC, GeS-TM, and V-PCC, respectively, under lossy-geometry conditions.
- Abstract（参考訳）: ポイントクラウド圧縮は、幾何学と属性の両方を圧縮する技術に依存している。
幾何に基づく点雲圧縮(G-PCC)フレームワーク内での動的ソリッドポイントクラウド幾何圧縮に対する運動に基づくアプローチは、幾何率を大幅に低下させた。
しかし, 属性の時間的冗長性を大幅に低下させることは困難である。
まず, 動的ソリッドポイント雲の属性を圧縮する幾何学的インターコーディング手法を提案する。
次に,点-クラウド属性圧縮のためのグラフに基づく動き推定手法を提案する。
第3に、補間不要な分数ボクセルの運動推定法を提案し、分数ボクセルの精度を向上する。
また,MPEG点クラウドデータセットを用いた実験結果から,G-PCC,GeS-TM,V-PCCを無損失・損失幾何学条件で比較した。
我々は、G-PCC、GeS-TM、V-PCCよりも平均ビットレートを5.3\%$、42.3\%$、および16.5\%$を達成する。
関連論文リスト
- LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。
本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。
実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
論文 参考訳（メタデータ） (2026-03-30T13:39:35Z) - DUGAE: Unified Geometry and Attribute Enhancement via Spatiotemporal Correlations for G-PCC Compressed Dynamic Point Clouds [52.12923576880453]
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。
論文 参考訳（メタデータ） (2026-03-27T08:54:34Z) - 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) - 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) - Implicit Neural Compression of Point Clouds [61.491532656446054]
NeRC$3$は、新しいポイントクラウド圧縮フレームワークである。
NeRC$3$は密度点雲の幾何学と属性の両方を符号化する。
動的点雲の場合、4D-NeRC$3$は優れた幾何圧縮性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T03:22:00Z) - Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。
ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。
そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T16:12:51Z) - Hierarchical Prior-based Super Resolution for Point Cloud Geometry
Compression [39.052583172727324]
幾何学に基づくポイントクラウド圧縮(G-PCC)は、ポイントクラウドを圧縮するために移動画像専門家グループによって開発された。
本稿では,点雲幾何学的圧縮のための階層的事前分解能超解法を提案する。
論文 参考訳（メタデータ） (2024-02-17T11:15:38Z) - Learning Dynamic Point Cloud Compression via Hierarchical Inter-frame
Block Matching [35.80653765524654]
3Dダイナミックポイントクラウド(DPC)圧縮は、その時間的コンテキストのマイニングに依存している。
本稿では,階層的ブロックマッチングに基づく予測モジュールを用いた学習型DPC圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T11:44:13Z) - 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) - Multiscale Point Cloud Geometry Compression [29.605320327889142]
本稿では,3次元ポイント・クラウド・ジオメトリを階層的に再構築するマルチスケール・ツー・エンド・ラーニング・フレームワークを提案する。
このフレームワークは、ポイントクラウド圧縮と再構成のためのスパース畳み込みベースのオートエンコーダの上に開発されている。
論文 参考訳（メタデータ） (2020-11-07T16:11:16Z)
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。