通过上下文特征残差与多损失函数提升点云几何压缩中的上下文模型
图像与视频处理
2024-07-12 v1 计算机视觉与模式识别
多媒体
摘要
在点云几何压缩中，上下文模型通常以节点占用情况的 one-hot 编码作为标签，并使用 one-hot 编码与上下文模型预测的概率分布之间的交叉熵作为损失函数。然而，这种方法存在两个主要弱点：其一，不同节点之间的上下文差异不显著，使得上下文模型难以准确预测节点占用概率分布；其二，由于 one-hot 编码并非节点占用的实际概率分布，交叉熵损失函数不够准确。为解决这些问题，我们提出了一种可增强现有上下文模型的通用结构。我们将上下文特征残差引入上下文模型，以放大不同上下文之间的差异。我们还添加一个多层感知分支，其输出与节点占用情况的均方误差作为损失函数，以提供更准确的反向传播梯度。我们通过展示能够在 MPEG 8i 和 MVUB 目标点云数据集以及 SemanticKITTI LiDAR 点云数据集上，提升基于八叉树模型（OctAttention）和基于体素模型（VoxelDNN）的性能来验证我们的方法。
引用
@article{arxiv.2407.08520,
title = {Enhancing context models for point cloud geometry compression with context feature residuals and multi-loss},
author = {Chang Sun and Hui Yuan and Shuai Li and Xin Lu and Raouf Hamzaoui},
journal= {arXiv preprint arXiv:2407.08520},
year = {2024}
}
备注
11 pages, 8 figures