3DAC：面向点云的属性压缩学习方法
计算机视觉与模式识别
2022-04-12 v1 图像与视频处理
摘要
我们研究了大规模非结构化 3D 点云的属性压缩问题。通过深入探究不同编码步骤与不同属性通道之间的关系，本文引入一种称为 3DAC 的深度压缩网络，用于显式压缩 3D 点云属性并降低存储占用。具体而言，首先将颜色、反射率等点云属性转换为变换系数。随后，我们提出一种深度熵模型，通过利用属性变换中隐藏的信息及先前已编码属性来建模这些系数的概率。最后，利用估计的概率将这些变换系数进一步压缩为最终的属性比特流。在 ScanNet 和 SemanticKITTI 等室内外大规模开放点云数据集上的大量实验表明，所提 3DAC 具有优越的压缩率与重建质量。
引用
@article{arxiv.2203.09931,
title = {3DAC: Learning Attribute Compression for Point Clouds},
author = {Guangchi Fang and Qingyong Hu and Hanyun Wang and Yiling Xu and Yulan Guo},
journal= {arXiv preprint arXiv:2203.09931},
year = {2022}
}