基于深度生成模型的点云几何无损编码
图像与视频处理
2021-07-02 v1 计算机视觉与模式识别
机器学习
摘要
本文提出一种无损点云(PC)几何压缩方法，利用神经网络估计体素占据的概率分布。首先，为考虑点云的稀疏性，我们的方法自适应地将点云划分为多种体素块大小，该划分通过八叉树进行信令传输。其次，我们采用深度自回归生成模型，在给定先前已编码体素的条件下估计每个体素的占据概率。随后，我们利用估计的概率通过基于上下文的算术编码器对一个块进行有效编码。我们的上下文具有可变大小，并可扩展到当前块之外以学习更精确的概率。我们还考虑使用数据增强技术来提升所学概率模型的泛化能力，尤其是在存在噪声和较低密度点云的情况下。在来自四个不同数据集、具有多样特征的各种点云上进行的实验评估表明，与最先进的MPEG编解码器相比，我们的方法显著降低了无损编码的码率（最高达30%）。
引用
@article{arxiv.2107.00400,
title = {Lossless Coding of Point Cloud Geometry using a Deep Generative Model},
author = {Dat Thanh Nguyen and Maurice Quach and Giuseppe Valenzise and Pierre Duhamel},
journal= {arXiv preprint arXiv:2107.00400},
year = {2021}
}
备注
This paper has been submitted to the IEEE Transactions on Circuits and Systems for Video Technology (TCSVT). arXiv admin note: text overlap with arXiv:2011.14700