高效且通用的无损点云属性压缩点模型
计算机视觉与模式识别
2024-04-11 v1 多媒体
摘要
过去几年见证了学习型点云压缩（PCC）技术的出现。然而，当前基于学习的无损点云属性压缩（PCAC）方法要么计算复杂度高，要么压缩性能下降。此外，实际应用中点云尺度和稀疏性的显著变化使得开发全能神经模型成为一项挑战。在本文中，我们提出PoLoPCAC，一种高效且通用的无损PCAC方法，同时实现了高压缩效率和强泛化能力。我们将无损PCAC表述为从分组自回归先验推断属性显式分布的任务。首先设计了一种渐进随机分组策略，将点云高效地分解为组，然后从累积的前驱中顺序建模每个组的属性。利用局部感知注意力机制并行地从上下文窗口中利用先验知识。由于我们的方法直接对点进行操作，它自然避免了体素化引起的失真，并且可以在任意尺度和密度的点云上执行。实验表明，我们的方法在合成2k-ShapeNet数据集上训练后即可立即部署，同时在各种数据集（ShapeNet、ScanNet、MVUB、8iVFB）上持续降低比特率，优于最新的G-PCCv23。同时，我们的方法在大多数序列上报告了比G-PCCv23更短的编码时间，且模型大小轻量（2.6MB），这对实际应用非常有吸引力。数据集、代码和训练模型可在https://github.com/I2-Multimedia-Lab/PoLoPCAC获取。
引用
@article{arxiv.2404.06936,
title = {Efficient and Generic Point Model for Lossless Point Cloud Attribute Compression},
author = {Kang You and Pan Gao and Zhan Ma},
journal= {arXiv preprint arXiv:2404.06936},
year = {2024}
}