基于学习的3D点云几何无损压缩
图像与视频处理
2021-04-21 v2 计算机视觉与模式识别
机器学习
摘要
本文提出一种基于学习的静态点云几何无损压缩方法,基于上下文自适应算术编码。与大多数在八叉树域工作的现有方法不同,我们的编码器以混合模式运行,混合八叉树与基于体素的编码。我们根据点云结构自适应地将点云划分为多分辨率体素块,并使用八叉树来标识该划分。一方面,八叉树表示可消除点云中的稀疏性。另一方面,在体素域中,卷积可自然表达,几何信息(即平面、曲面等)由神经网络显式处理。我们的上下文模型受益于这些特性,并使用带有掩码滤波器的深度卷积神经网络(称为VoxelDNN)学习体素的概率分布。实验表明,我们的方法在来自Microsoft Voxelized Upper Bodies (MVUB)和MPEG的多样化点云集上,以平均码率节省28%优于最先进的MPEG G-PCC标准。实现代码见 https://github.com/Weafre/VoxelDNN。
引用
@article{arxiv.2011.14700,
title = {Learning-based lossless compression of 3D point cloud geometry},
author = {Dat Thanh Nguyen and Maurice Quach and Giuseppe Valenzise and Pierre Duhamel},
journal= {arXiv preprint arXiv:2011.14700},
year = {2021}
}
备注
5 pages, accepted paper at ICASSP 2021