4DAC：面向动态点云的属性压缩学习
计算机视觉与模式识别
2022-04-26 v1 图像与视频处理
摘要
随着三维数据采集设备的发展，所获取三维点云规模的日益增长对现有数据压缩技术提出了挑战。尽管静态点云压缩已取得可喜性能，但利用点云序列中的时间相关性以实现有效的动态点云压缩仍待探索且具挑战。本文研究动态点云的属性（如颜色）压缩，提出一种基于学习的框架，称为4DAC。为降低数据中的时间冗余，我们首先利用深度神经网络构建三维运动估计与运动补偿模块。随后，运动补偿组件产生的属性残差通过区域自适应分层变换编码为残差系数。此外，我们还提出一种深度条件熵模型，通过融入来自连续点云的时间上下文以及运动估计/补偿模块，来估计变换系数的概率分布。最后，数据流根据该预测分布进行无损熵编码。在多个公开数据集上的大量实验证明了所提方法的优越压缩性能。
引用
@article{arxiv.2204.11723,
title = {4DAC: Learning Attribute Compression for Dynamic Point Clouds},
author = {Guangchi Fang and Qingyong Hu and Yiling Xu and Yulan Guo},
journal= {arXiv preprint arXiv:2204.11723},
year = {2022}
}