使用序列优化 CNN 模型的点云序列无损压缩
计算机视觉与模式识别
2022-06-06 v1 图像与视频处理
摘要
我们提出了一种编码点云序列几何的新范式，其中估计编码分布的卷积神经网络（CNN）在所压缩序列的若干帧上进行了优化。我们采用轻量 CNN 结构，将训练作为编码过程的一部分执行，且 CNN 参数作为比特流的一部分传输。新提出的编码方案对每幅点云采用八叉树表示，依次编码每个八叉树分辨率层。在每个八叉树分辨率层，体素网格按段遍历（每段垂直于选定坐标轴），且在每段中将两两体素组的占用情况一次性编码，于单次算术编码操作中完成。基于八叉树当前及较低分辨率层中关于邻集体素占用的可用信息，为每个两两体素组定义条件编码分布的上下文。CNN 分四个阶段估计一段中所有体素组的占用模式概率分布。在每个新阶段，上下文用前一阶段编码的占用情况更新，且每个阶段并行估计概率，在处理的并行性与上下文的信息量之间提供了合理权衡。CNN 训练时间与其余编码步骤耗时相当，带来具竞争力的总体编码时间。比特率与编解码时间在近期已发表的压缩方案中均表现更优。
引用
@article{arxiv.2206.01297,
title = {Lossless Compression of Point Cloud Sequences Using Sequence Optimized CNN Models},
author = {Emre Can Kaya and Ioan Tabus},
journal= {arXiv preprint arXiv:2206.01297},
year = {2022}
}
备注
9 pages, 5 figures