重新稠密化与跨尺度传播：激光雷达点云的实时神经压缩
计算机视觉与模式识别
2025-09-30 v3
摘要
激光雷达点云是各种应用的基础，但高精度扫描在存储和传输方面存在 substantial 开销。现有方法通常将无序点转换为层次八叉树或体素结构，以实现稠密到稀疏的预测编码。然而，几何细节的极度稀疏性阻碍了有效的上下文建模，从而限制了压缩性能和速度。为此，我们提出生成紧凑特征以实现高效预测编码。该框架包含两个轻量级模块。首先，几何重新稠密化模块重新稠密化编码后的稀疏几何，提取更密集尺度的特征，然后重新稀疏化特征用于预测编码。该模块避免了对高度稀疏细节的高成本计算，同时保持轻量级预测头。其次，跨尺度特征传播模块利用来自多个分辨率级别的占用线索引导层次特征传播。这种设计促进了跨尺度的信息共享，从而减少了冗余特征提取，并为几何重新稠密化模块提供更丰富的特征。通过整合这两个模块，我们的方法生成紧凑的特征表示，提供高效的上下文建模并加速编码过程。在 KITTI 数据集上的实验表明，我们的方法在压缩比和实时性能方面均优于现有方法，在 12 位量化下实现编码/解码 26 FPS。代码已公开于 https://github.com/pengpeng-yu/FastPCC。
引用
@article{arxiv.2508.20466,
title = {Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds},
author = {Pengpeng Yu and Haoran Li and Runqing Jiang and Jing Wang and Liang Lin and Yulan Guo},
journal= {arXiv preprint arXiv:2508.20466},
year = {2025}
}