Pointsoup：面向大规模点云场景的高性能超低解码延迟学习几何编码器
计算机视觉与模式识别
2024-04-23 v1 图像与视频处理
摘要
尽管在点云几何压缩方面取得了显著进展，但仍面临两个挑战：有效压缩具有稀疏表面的大规模场景，以及降低解码延迟——这在实际应用中至关重要。本文提出Pointsoup，一种实现高性能和超低解码延迟的高效学习型几何编码器。灵感来自传统Trisoup编码器，我们设计了基于点的策略来特征化局部表面。具体而言，通过注意力机制编码器嵌入局部窗口的皮肤特征，并引入扩张窗口作为跨尺度先验，以并行推断量化特征的分布。解码时，特征经过快速细化，然后通过折叠式点生成器以相当快的速度重建点坐标。实验表明，Pointsoup在多个基准测试上实现了最前沿的性能，解码复杂度显著降低，即在较低端平台（如一台RTX 2080Ti）上比G-PCCv23 Trisoup解码器快90~160倍。此外，它采用单个神经模型（2.9MB）实现可变率控制，这对工业实践者具有吸引力。
引用
@article{arxiv.2404.13550,
title = {Pointsoup: High-Performance and Extremely Low-Decoding-Latency Learned Geometry Codec for Large-Scale Point Cloud Scenes},
author = {Kang You and Kai Liu and Li Yu and Pan Gao and Dandan Ding},
journal= {arXiv preprint arXiv:2404.13550},
year = {2024}
}