基于带几何注意力的前馈网络的三维点云体素属性压缩

我们研究采用体素方法的三维点云属性压缩：给定目标体素属性函数 $f : \mathbb{R}^3 \rightarrow \mathbb{R}$，我们在编码器处量化并编码表征 $f$ 的参数向量 $\theta$，以在解码器处已知三维点 $\mathbf{x}$ 上重建 $f_{\hat{\theta}}(\mathbf{x})$。扩展先前采用分段常数函数跨越嵌套函数空间序列的区域自适应层次变换(RAHT)工作，我们提出一种实现跨越函数空间的高阶B样条基、无需特征分解的前馈线性网络。前馈网络架构意味着系统适于端到端神经学习。我们网络的关键在于空间变化卷积，类似于图算子，其权重由已知三维几何计算以作归一化。我们表明，编码器处归一化的层数与矩阵逆泰勒级数中的项数等价。在真实世界三维点云上的实验结果显示，相较RAHT在能量集中上获得高达2-3 dB增益，且码率减少20-30%。