改进的深度点云几何压缩
计算机视觉与模式识别
2020-06-25 v2 机器学习
图像与视频处理
信号处理
机器学习
摘要
点云已被认为是三维内容的关键数据结构，并在虚拟现实与混合现实、自动驾驶、文化遗产等诸多应用中不可或缺。本文提出一系列改进深度点云压缩的贡献，即：使用尺度超先验模型进行熵编码；采用更深层的变换；在 focal loss 中使用不同的平衡权重；用于解码的最优阈值化；以及序列模型训练。此外，我们针对各因素对率失真（RD）性能的影响进行了广泛的消融研究，以更好地理解它们提升性能的原因。所提改进的最优组合在使用 point-to-point（point-to-plane）度量时，相比 G-PCC trisoup 和 octree 分别取得了 5.50（6.48）dB 和 6.84（5.95）dB 的 BD-PSNR 增益。代码见 https://github.com/mauriceqch/pcc_geo_cnn_v2 。
引用
@article{arxiv.2006.09043,
title = {Improved Deep Point Cloud Geometry Compression},
author = {Maurice Quach and Giuseppe Valenzise and Frederic Dufaux},
journal= {arXiv preprint arXiv:2006.09043},
year = {2020}
}
备注
Code is available at https://github.com/mauriceqch/pcc_geo_cnn_v2