RENO：面向3D LiDAR点云的实时神经压缩
计算机视觉与模式识别
2025-03-18 v1 图像与视频处理
摘要
尽管学习型神经模型在LiDAR点云压缩（LPCC）任务中展现出显著进步，但实现实时压缩——这是诸多工业应用不可或缺的标准——仍然面临巨大挑战。本文提出RENO，首个面向3D LiDAR点云的实时神经编解码器，凭借轻量化模型实现卓越性能。RENO跳过八叉树构建，直接基于多尺度稀疏张量表示进行操作。不同于多阶段推理，RENO设计稀疏占据编码，利用跨尺度相关性以单次方式推导体素占据情况，大幅节省处理时间。实验结果表明，所提出的RENO实现了实时编码速度，在桌面平台（如一台RTX 3090 GPU）上实现14位深度下的10 fps编码和解码速度，同时在保持相似画质下，相较于G-PCCv23和Draco分别实现12.25%和48.34%的比特率节省。RENO模型规模仅1MB，极具实际应用价值。源码已公开于https://github.com/NJUVISION/RENO。
引用
@article{arxiv.2503.12382,
title = {RENO: Real-Time Neural Compression for 3D LiDAR Point Clouds},
author = {Kang You and Tong Chen and Dandan Ding and M. Salman Asif and Zhan Ma},
journal= {arXiv preprint arXiv:2503.12382},
year = {2025}
}