面向几何导向的点云预处理下的最优率失真点云压缩
计算机视觉与模式识别
2026-01-16 v1 图像与视频处理
摘要
几何导向点云压缩（G-PCC）是由 MPEG 设计的国际标准，提供了一种用于压缩多样类型点云的通用框架，同时确保跨应用和设备的互操作性。然而，尽管 G-PCC 计算功耗较低，却不及最近基于深度学习的 PCC 方法的性能。为在不牺牲互操作性或计算灵活性的前提下提升 G-PCC 效率，我们提出一种新型预处理框架，将压缩导向的体素化网络与可微分 G-PCC 代理模型集成，联合在训练阶段优化。该代理模型模拟非可微分 G-PCC 编解码器的率失真行为，实现端到端梯度传递。该灵活的体素化网络通过学习基于体素的体素化和全局缩放、精细剪枝、点级编辑等方式自适应地转换输入点云，以实现率失真权衡。推理期间仅附加轻量级体素化网络于 G-PCC 编码器，无需修改解码器，从而为最终用户引入无计算开销。广泛实验表明，本工作在 G-PCC 上实现平均 38.84% 的 BD-rate 降低。通过桥接经典编码器与深度学习，本工作为提升遗留压缩标准提供了实用路径，同时保持其向后兼容性，适用于实际部署。
引用
@article{arxiv.2508.01633,
title = {Rate-distortion Optimized Point Cloud Preprocessing for Geometry-based Point Cloud Compression},
author = {Wanhao Ma and Wei Zhang and Shuai Wan and Fuzheng Yang},
journal= {arXiv preprint arXiv:2508.01633},
year = {2026}
}