基于图的 3D 点云属性的可扩展抽样方法

3D 点云（PC）常用于表示 3D 场景。点云可包含数百万个点，使得诸如压缩和流式传输等后续下游任务变得计算代价高昂。点云抽样（选择点子集）可用于降低复杂度。现有点云抽样算法侧重于保留几何特征，往往难以应用于大规模点云。本文开发了针对点云颜色属性的可扩展基于图的抽样算法，假设完整的几何信息已可用。我们的抽样算法针对一种最小化图拉普拉斯二次型的信号重建方法进行优化。我们首先开发了一种全局抽样算法，可应用于包含数百万个点的点云，通过利用稀疏性和采样率自适应参数选择。进一步，我们提出了基于块的抽样策略，其中每个块独立抽样。我们表明，使用最优选择的自环权重（节点权重）对相应子图进行抽样，将产生与全局抽样相当的抽样集，同时将复杂度降低了一个数量级。我们的经验结果表明，在两个大型点云数据集上，我们的算法在保持几何特征的随机抽样和均匀抽样技术（均匀抽样和几何特征保留随机抽样）之外，净增 2dB。我们的算法在提供更好重建精度的同时，比现有的图信号抽样算法快约 50 倍。最后，我们展示了点云属性抽样在压缩场景中的有效性，表明在对重建几乎没有影响的情况下，对点云属性进行压缩前的抽样可降低比特率 11%。