SEDD-PCC：一种面向端到端学习点云压缩的单编码器-双解码器框架
计算机视觉与模式识别
2025-05-23 v1 图像与视频处理
摘要
为了编码同时包含几何与属性的点云，大多数基于学习的压缩方案将几何编码与属性编码分开处理，采用不同的编码器和解码器。这不仅增加了计算复杂度，而且未能充分利用几何与属性之间的共享特征。为解决这一局限，我们提出 SEDD-PCC，一种端到端基于学习的有损点云压缩框架，可联合压缩几何与属性。SEDD-PCC 采用单个编码器将共享的几何与属性特征提取到统一的潜在空间，随后由两个专用解码器依次重建几何与属性。此外，我们引入知识蒸馏，通过教师模型增强特征表示学习，进一步提升编码效率。凭借其简洁而有效的设计，SEDD-PCC 为点云压缩提供了一种高效实用的解决方案。与基于规则和基于学习的方法的对比评估证明了其具有竞争力的性能，突显 SEDD-PCC 是一种有前景的 AI 驱动压缩方法。
引用
@article{arxiv.2505.16709,
title = {SEDD-PCC: A Single Encoder-Dual Decoder Framework For End-To-End Learned Point Cloud Compression},
author = {Kai Hsiang Hsieh and Monyneath Yim and Jui Chiu Chiang},
journal= {arXiv preprint arXiv:2505.16709},
year = {2025}
}