基于隐式神经表示的点云神经压缩
计算机视觉与模式识别
2026-05-12 v2 机器学习
信号处理
摘要
点云因其能够准确表示三维物体和场景的能力，在众多应用中获得了重要地位。然而，高效压缩非结构化、高精度点云数据仍然是一个重要挑战。本文提出了 NeRC，一种新颖的点云压缩框架，利用隐式神经表示（INR）对密集点云的几何结构和属性进行编码。我们的方法采用两种基于坐标的神经网络：一种将空间坐标映射到体素占用情况，另一种将占用体素映射到其属性，从而在隐式方式下表示体素化点云的几何结构和属性。编码器对网络参数以及重建所需的辅助信息进行量化和压缩，而解码器则通过将体素坐标输入神经网络来重建原始点云。此外，我们通过减少时序冗余的技术，扩展了该方法以实现动态点云压缩，包括一种称为 4D-NeRC 的时空表示。实验结果表明，我们的方法有效：对于静态点云，NeRC 优于基于八叉树的 G-PCC 标准以及现有的 INR-based 方法。对于动态点云，4D-NeRC 在几何压缩方面优于最新的 G-PCC 和 V-PCC 标准，同时与基于学习的方法保持一致。在联合几何和属性压缩方面，4D-NeRC 也表现出竞争力。
引用
@article{arxiv.2412.10433,
title = {Implicit Neural Compression of Point Clouds},
author = {Hongning Ruan and Yulin Shao and Qianqian Yang and Liang Zhao and Zhaoyang Zhang and Dusit Niyato},
journal= {arXiv preprint arXiv:2412.10433},
year = {2026}
}