基于邻域点注意力的高效LiDAR点云几何压缩
计算机视觉与模式识别
2022-08-29 v1 图像与视频处理
摘要
尽管多尺度稀疏张量的卷积表示在精确建模稠密物体点云几何分量压缩的占据概率方面展现出优越效率，其表征稀疏LiDAR点云几何（PCG）的能力却大受限制。这是因为：1）卷积的固定感受野不能很好地刻画极度且不均匀分布的稀疏LiDAR点；2）具有固定权重的预训练卷积不足以动态捕获依赖于输入的信息。因此，本工作提出邻域点注意力（NPA）以应对上述问题：我们首先使用k近邻（kNN）构建自适应局部邻域，然后利用自注意力机制在该邻域内动态聚合信息。此种NPA被设计为NPAFormer，以最佳利用跨尺度与同尺度相关性进行几何占据概率估计。相较于采用标准化G-PCC的锚点，我们的方法在有损压缩上提供>17%的BD-rate增益，并在SemanticKITTI与Ford数据集的流行LiDAR点云无损场景下实现>14%的比特率削减。相较于采用注意力优化八叉树编码方法的最先进（SOTA）方案，我们的方法所需解码运行时间少得多，平均约640倍加速，同时仍呈现更优压缩效率。
引用
@article{arxiv.2208.12573,
title = {Efficient LiDAR Point Cloud Geometry Compression Through Neighborhood Point Attention},
author = {Ruixiang Xue and Jianqiang Wang and Zhan Ma},
journal= {arXiv preprint arXiv:2208.12573},
year = {2022}
}