Att2CPC：基于注意力机制的点云属性有损压缩
机器学习
2024-10-24 v1 计算机视觉与模式识别
图像与视频处理
摘要
随着 3D 传感与获取技术的快速发展，点云数据的容量呈现显著增长，这催生了高效点云压缩方法的开发。本文聚焦于学习式有损点云属性压缩 (Point Cloud Attribute Compression, PCAC) 任务。我们提出一种基于自编码器架构的高效注意力方法，用于点云属性的有损压缩。具体而言，在编码端，我们通过多次下采样来充分利用局部属性模式，其中发展了有效的外部交叉注意力 (External Cross Attention, ECA) 来整合属性与几何上下文，层次性地聚合特征。在解码端，点云属性基于多尺度表示和零填充上采样策略进行逐层重建。据称，这是首个引入注意力机制到点基有损 PCAC 任务的方法。我们在包括人体帧、稀疏物体和大规模点云场景在内的各种序列上验证了该模型的压缩效率。实验表明，当与最先进的基于点的 PCAC 方法 Deep-PCAC 比较时，我们的方法在 Y 通道和 YUV 通道的 BD-PSNR 分别实现平均提高 1.15 dB 和 2.13 dB。
引用
@article{arxiv.2410.17823,
title = {Att2CPC: Attention-Guided Lossy Attribute Compression of Point Clouds},
author = {Kai Liu and Kang You and Pan Gao and Manoranjan Paul},
journal= {arXiv preprint arXiv:2410.17823},
year = {2024}
}