論文の概要: SPEM: Scan-Prior Entropy Modeling for LiDAR Point Cloud Compression
- arxiv url: http://arxiv.org/abs/2611.16212v1
- Date: Thu, 12 Nov 2026 03:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.305676
- Title: SPEM: Scan-Prior Entropy Modeling for LiDAR Point Cloud Compression
- Title(参考訳): SPEM:LiDARポイントクラウド圧縮のための走査型エントロピーモデリング
- Abstract要約: LiDAR点雲は、幾何学的圧縮に有用な走査誘起空間規則性を示す。
既存のスキャン対応アプローチは、符号付き幾何学を球面座標系やビーム整列座標系に変換することで、これらの規則性を利用することが多い。
本稿では、座標変換を必要とせず、エントロピーモデル内のLiDARスキャン規則性を利用するScan-Prior Entropy Modelingフレームワークを提案する。
- 参考スコア(独自算出の注目度): 10.121244413049997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR point clouds exhibit scan-induced spatial regularities that are informative for geometry compression. Existing scan-aware approaches often exploit these regularities by transforming coded geometry into spherical or beam-aligned coordinate systems. However, this couples acquisition priors with geometry representation, altering spatial partitioning and quantization, and potentially preventing exact recovery of the original Cartesian geometry. We argue that acquisition priors should guide probability modeling rather than dictate the coding representation. We propose SPEM, a Scan-Prior Entropy Modeling framework that exploits LiDAR scanning regularities within the entropy model without requiring coordinate transformation. We introduce a multi-frequency spherical rotary positional encoding that captures scan-aligned spatial relationships in both backbone self-attention and decoded-context retrieval. Building upon this encoding, we develop a decoded-memory autoregressive predictor that efficiently exploits previously decoded occupancy information through reusable key/value caches. Experiments demonstrate state-of-the-art performance in both lossy and lossless LiDAR geometry compression, highlighting the effectiveness of scan-prior modeling across different coordinate representations.
- Abstract(参考訳): LiDAR点雲は、幾何学的圧縮に有用な走査誘起空間規則性を示す。
既存のスキャン対応アプローチは、符号付き幾何学を球面座標系やビーム整列座標系に変換することで、これらの規則性を利用することが多い。
しかし、このカップルは、幾何表現、空間分割と量子化の変更、および元のカルト幾何学の正確な回復を妨げている可能性がある。
我々は,事前取得は,符号化表現を規定するよりも,確率モデリングを導くべきだと主張している。
本研究では, 座標変換を必要とせずに, エントロピーモデル内のLiDARスキャン規則性を利用するScan-Prior Entropy ModelingフレームワークSPEMを提案する。
バックボーンの自己アテンションとデコードされたコンテキスト検索の両方において、スキャン整列空間関係をキャプチャする多周波球面回転位置符号化を導入する。
このエンコーディングに基づいて、再利用可能なキー/バリューキャッシュを介して、以前にデコードされた占有情報を効率的に活用するデコードメモリ自動回帰予測器を開発する。
実験では、損失のあるLiDAR幾何圧縮と損失のないLiDAR幾何圧縮の両方において最先端の性能を示し、異なる座標表現におけるスキャン・プライア・モデリングの有効性を強調した。
関連論文リスト
- Inter-LPCM: Learning-based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression [29.553034459162365]
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。
論文 参考訳(メタデータ) (2026-05-18T07:58:57Z) - Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。
既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。
筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
論文 参考訳(メタデータ) (2025-08-28T06:36:10Z) - Assessing local deformation and computing scalar curvature with nonlinear conformal regularization of decoders [1.433758865948252]
オートエンコーダは、低次元表現を学習するためのシンプルだが効果的なアプローチを提供する。
深層ニューラルネットワークにより近似されたデコードマップのための新しいタイプの幾何正規化を導入する。
この正規化手法は学習多様体のスカラー曲率の計算を可能にすることを示す。
論文 参考訳(メタデータ) (2025-08-28T04:30:49Z) - Diff-Reg v2: Diffusion-Based Matching Matrix Estimation for Image Matching and 3D Registration [44.88739897482003]
本稿では,行列空間における拡散モデルを利用して,ロバストマッチング行列推定を行う革新的パラダイムを提案する。
具体的には、3D-3Dおよび2D-3D登録タスクに対して2次元行列空間に拡散モデルを適用する。
3つの登録タスクすべてに対して、各タスクの特定の特性に合わせた適応的マッチング行列埋め込み実装を提供する。
論文 参考訳(メタデータ) (2025-03-06T06:13:27Z) - 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) - KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。
オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
論文 参考訳(メタデータ) (2024-03-15T08:44:56Z)
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。