HybridINR-PCGC：面向预训练模型与隐式神经表征的无损点云几何压缩
计算机视觉与模式识别
2026-02-26 v1
摘要
学习式点云压缩相较于手工编解码器具有优异性能。然而，基于预训练的方法虽期望能对所有潜在样本实现泛化，但 suffer 于训练数据依赖性。隐式神经表征 (INR) 基于方法则分布无关且更稳健，但 require 在线训练耗时且因过拟合模型产生比特流开销。为此，我们提出 HybridINR-PCGC，一种新型混合框架，连接预训练模型与 INR。该框架保持分布无关特性，同时利用预训练网络加速收敛并降低模型开销，包含两个部分：预训练先验网络 (PPN) 与分布无关精炼器 (DAR)。我们利用 PPN—— designed for fast inference and stable performance —— 生成鲁棒的先验以加速 DAR 的收敛。DAR 被分解为基准层和增强层，仅增强层需打包至比特流。最终我们提出一种监督模型压缩模块以进一步监督并最小化增强层参数的比特率。实验结果表明，HybridINR-PCGC 在压缩率和编码效率方面实现显著提升。具体而言，我们的方法在 8iVFB 上的 Bpp 较 G-PCC 降低约 20.43%。在具有挑战性的非分布场景 Cat1B 上，我们的方法在 UniPCGC 上的 Bpp 降低约 57.85%。该方法在时-率权衡方面表现优越，相较于 LINR-PCGC 在 8iVFB 上平均 Bpp 降低 15.193%。
引用
@article{arxiv.2602.21662,
title = {HybridINR-PCGC: Hybrid Lossless Point Cloud Geometry Compression Bridging Pretrained Model and Implicit Neural Representation},
author = {Wenjie Huang and Qi Yang and Shuting Xia and He Huang and Zhu Li and Yiling Xu},
journal= {arXiv preprint arXiv:2602.21662},
year = {2026}
}
备注
8 pages, 10 figures