可扩展的人机点云压缩

由于边缘设备的计算能力有限，深度学习推理可能非常昂贵。一种补救措施是将点云数据压缩并通过网络传输至服务器端进行处理。不幸的是，这种方法可能对网络因素（包括可用比特率）敏感。幸运的是，通过使用专为机器任务设计的编解码器，可以在不牺牲推理精度的情况下降低比特率需求。在本文中，我们提出了一种专为分类这一机器任务设计、同时提供人类观看机制的点云数据可扩展编解码器。在所提出的可扩展编解码器中，“基础”比特流支持机器任务，而“增强”比特流可用于提高人类观看的输入重建性能。我们的架构基于 PointNet++，并在 ModelNet40 数据集上测试了其有效性。结果显示，相较于以往的非专用编解码器，本方法有显著改进。