GRASP-Net：面向点云压缩的几何残差分析与合成
图像与视频处理
2022-09-12 v1 计算机视觉与模式识别
摘要
点云压缩（PCC）因点云格式的通用性而成为各类三维应用的关键使能技术。理想情况下，三维点云力求描绘连续的对象/场景表面。实际上，作为一组离散采样，点云在局部是不连通且稀疏分布的。这种稀疏特性阻碍了发掘点间局部相关性以用于压缩。受分形维度分析的启发，我们提出了一种基于深度学习的异构方法用于有损点云几何压缩。在压缩输入粗表示的基础层之上，设计了一个增强层以应对具有挑战性的几何残差/细节。具体而言，应用一个基于点的网络将不规则的局部细节转换为驻留在粗点云上的潜在特征。随后启动一个在粗点云上运行的稀疏卷积神经网络。它利用粗几何的连续性/平滑性将潜在特征压缩为增强比特流，极大提升了重建质量。当该比特流不可用时（例如由于丢包），我们支持一种使用相同架构的跳过模式，直接从粗点云生成几何细节。在稠密与稀疏点云上的实验均表明，我们的方案达到了最先进的压缩性能。我们的代码可在 https://github.com/InterDigitalInc/GRASP-Net 获取。
引用
@article{arxiv.2209.04401,
title = {GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression},
author = {Jiahao Pang and Muhammad Asad Lodhi and Dong Tian},
journal= {arXiv preprint arXiv:2209.04401},
year = {2022}
}
备注
Accepted at ACM MM 2022 Workshop on Advances in Point Cloud Compression, Processing and Analysis