Fugu-MT 論文翻訳(概要): Geometry-Based Compression of Plenoptic Point Clouds

論文の概要: Geometry-Based Compression of Plenoptic Point Clouds

arxiv url: http://arxiv.org/abs/2608.11273v1
Date: Tue, 11 Aug 2026 08:00:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.316834
Title: Geometry-Based Compression of Plenoptic Point Clouds
Title（参考訳）: 幾何学に基づく複眼点雲の圧縮
Abstract要約: PPCの属性を効率よく圧縮する手法を提案する。この圧縮スキームはMPEGの幾何学ベースのPCC標準に組み込むことができる。
参考スコア（独自算出の注目度）: 4.392337343771301
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Plenoptic point clouds (PPC) are novel data structures that represent the light from different viewing directions in order to provide a higher degree of realism to regular point clouds. This is achieved by associating each point to multiple colors instead of a single one. Here, we present a method to efficiently compress the attributes of a PPC, consisting of a Karhunen-Loève transform over the color attributes followed by multiple attribute coders with intra prediction capability. This compression scheme can be incorporated within the MPEG's geometry-based PCC (G-PCC) standard, using any of G-PCC's existing solutions for attribute coding. Compression performance assessment using PPCs of different spatial resolutions reveals competitive results in comparison to existing methods, such as RAHT-based or video-based PCC solutions. We believe our coder to be the new state of the art.
Abstract（参考訳）: PPC(Plenoptic point cloud)は、通常の点雲への高次現実性を提供するために、異なる方向からの光を表す新しいデータ構造である。これは、各点を一つの点ではなく複数の色に関連付けることで達成される。本稿では,カラー属性にカーフン・ローブ変換を付加したPPCの属性を効率よく圧縮する手法を提案する。この圧縮スキームは、MPEGの幾何学ベースのPCC(G-PCC)標準に組み込むことができ、G-PCCの既存の属性符号化ソリューションのいずれかを使用することができる。空間解像度の異なるPPCを用いた圧縮性能評価は、RAHTベースやビデオベースPCCソリューションのような既存の手法と比較して、競合する結果を示す。私たちはコーダーが新しい最先端技術であると信じています。

関連論文リスト

SEDD-PCC: A Single Encoder-Dual Decoder Framework For End-To-End Learned Point Cloud Compression [2.1902373533152346]
損失点クラウド圧縮のためのエンドツーエンド学習ベースのフレームワークSEDD-PCCを提案する。単一エンコーダを用いて、共通な幾何学的特徴と属性的特徴を統一された潜在空間に抽出し、次いで、幾何学的特徴と属性を逐次再構成する2つの特殊デコーダを用いる。 SEDD-PCCはシンプルで効果的な設計で、ポイントクラウド圧縮のための効率的で実用的なソリューションを提供する。
論文参考訳（メタデータ） (2025-05-22T14:11:24Z)
Unified Geometry and Color Compression Framework for Point Clouds via Generative Diffusion Priors [58.93377653375906]
テスト時統合幾何および3次元点雲の色圧縮フレームワークを提案する。本手法は,形状や色を圧縮する上で,既存のベースラインに比べて優れた性能を示す。
論文参考訳（メタデータ） (2025-03-23T14:27:48Z)
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)
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)
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)
SPAC: Sampling-based Progressive Attribute Compression for Dense Point Clouds [51.313922535437726]
本研究では,高密度点雲のエンドツーエンド圧縮法を提案する。提案手法は,周波数サンプリングモジュール,適応スケール特徴抽出モジュール,幾何支援モジュール,大域的ハイパープライアエントロピーモデルを組み合わせた。
論文参考訳（メタデータ） (2024-09-16T13:59:43Z)
The JPEG Pleno Learning-based Point Cloud Coding Standard: Serving Man and Machine [49.16996486119006]
ディープラーニングは、ポイントクラウドコーディングの強力なツールとして登場した。 JPEGは先日、JPEG Pleno LearningベースのPoint Cloud Coding標準を確定した。本稿ではJPEG PCC標準の完全な技術的記述を提供する。
論文参考訳（メタデータ） (2024-09-12T15:20:23Z)
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)
Inter-Frame Compression for Dynamic Point Cloud Geometry Coding [14.79613731546357]
本稿では,従来のフレームを用いて,現在のフレームの潜在表現を予測する圧縮手法を提案する。提案するネットワークは,階層型マルチスケール3次元特徴学習による畳み込みを利用して,現在のフレームを符号化する。提案手法は, G-PCCv20 Octreeに対して88%以上のBD-Rate (Bjontegaard Delta Rate)削減を実現する。
論文参考訳（メタデータ） (2022-07-25T22:17:19Z)
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。