学习神经体积场用于点云几何压缩
计算机视觉与模式识别
2022-12-13 v1 图像与视频处理
摘要
由于动态点云稀疏性多样、维度高且时间变化大，设计高效的点云压缩方法仍具挑战。我们提出通过学习神经体积场来编码给定点云的几何信息。不同于使用单一过拟合网络表示整个点云，我们将整个空间划分为小立方体，并以一个神经网络和一个输入潜码表示每个非空立方体。该网络在单帧或多帧的所有立方体间共享，以利用空间与时间冗余。点云的神经场表示包含网络参数与所有潜码，它们通过对网络参数及其输入使用反向传播生成。通过在损失函数中考虑网络参数与潜码的熵以及原始立方体与重建立方体间的失真，我们推导出了率失真（R-D）最优表示。实验结果表明，所提出的编码方案相比基于八叉树的 G-PCC 取得了更优的 R-D 性能，尤其应用于点云视频多帧时。代码见 https://github.com/huzi96/NVFPCC/。
引用
@article{arxiv.2212.05589,
title = {Learning Neural Volumetric Field for Point Cloud Geometry Compression},
author = {Yueyu Hu and Yao Wang},
journal= {arXiv preprint arXiv:2212.05589},
year = {2022}
}
备注
In Proceedings of 2022 Picture Coding Symposium (PCS)