面向人类和机器视觉的基于 ROI 指导的点云几何压缩
机器学习
2025-04-22 v1
摘要
点云数据在自动驾驶、虚拟现实和机器人等应用中起着关键作用。然而，其巨大的数据量在存储和传输方面构成了重大挑战。为了获得高压缩比，关键语义细节通常会遭到严重损伤，导致难以保证下游任务的准确性。为此解决此问题，我们首次引入一种 novel 区域感兴趣 (ROI) 指导的点云几何压缩方法 (RPCGC)，用于人类和机器视觉。我们的框架采用双分支并行结构，其中 base 层编码和解码点云的简化版本，而 enhancement 层通过关注几何细节对其进行细化。此外，enhancement 层的残差信息经过 ROI 预测网络进行细化。该网络生成掩码信息，然后纳入残差中，用作强监督信号。此外，我们精细地将这些掩码细节应用于率失真 (RD) 优化过程中，对每个点在失真计算中进行加权。我们的损失函数包括 RD loss 和检测 loss，以更好地引导点云编码用于机器。实验结果表明，RPCGC 在 ScanNet 和 SUN RGB-D 数据集上实现了卓越的压缩性能和更好的检测准确性（在高比特率下优于一些基于学习的压缩方法 10% 提升）。
引用
@article{arxiv.2504.14237,
title = {A Novel Frequency-Spatial Domain Aware Network for Fast Thermal Prediction in 2.5D ICs},
author = {Dekang Zhang and Dan Niu and Zhou Jin and Yichao Dong and Jingweijia Tan and Changyin Sun},
journal= {arXiv preprint arXiv:2504.14237},
year = {2025}
}
备注
7 pages, 5 figures, 22nd Design, Automation and Test in Europe Conference (DATE '25)