面向多代学习压缩的点云属性鲁棒压缩方法
多媒体
2025-07-03 v1
摘要
现有的学习式点云属性压缩方法主要聚焦于单次率失真优化，忽略了多代压缩场景中的累积失真问题。本文首次针对学习式点云属性压缩的多代问题展开研究。我们识别了导致多代压缩质量下降的两个主要因素：量化导致的非幂等性和转换不可逆性。为解决前者，我们提出了映射幂等性约束，使网络能够学习完整的压缩-解压映射，从而增强其对重复过程的鲁棒性。为解决后者，我们引入了转换可逆性约束，通过量化无感的训练路径保留可逆信息流。进一步，我们提出了潜变量一致性约束，通过引入解压-压缩的跨代路径和潜变量一致性损失项，增强了多代压缩的鲁棒性。在 Owlii 和 8iVFB 数据集上进行的大量实验表明，所提出的方法能够有效抑制多代失真，同时保持与基线模型相当的单次率失真性能。
引用
@article{arxiv.2507.01320,
title = {Robust Multi-generation Learned Compression of Point Cloud Attribute},
author = {Xiangzuo Liu and Zhikai Liu and PengPeng Yu and Ruishan Huang and Fan Liang},
journal= {arXiv preprint arXiv:2507.01320},
year = {2025}
}