基于体素的点云几何压缩方法：空间到通道上下文
计算机视觉与模式识别
2025-03-25 v1 人工智能
摘要
体素方法是点云几何压缩中最有效的方法之一，尤其适用于稠密点云。然而，由于受限的感受野，体素方法在处理高位深点云时面临局限性。为克服此问题，本文引入一种面向稠密点云和低层稀疏点云的阶梯式空间到通道（Space-to-Channel, S2C）上下文模型。该模型利用通道级自回归策略，在粗糙分辨率下有效整合邻域信息。对于高层稀疏点云，本文进一步提出级联S2C上下文模型，通过引入几何残差编码（Geometry Residual Coding, GRC）实现一致分辨率的跨层预测。此外，本文采用球面坐标系以获得紧凑表示，并通过残差概率逼近（Residual Probability Approximation, RPA）模块增强GRC方法，该模块具有较大的卷积核尺寸。实验结果表明，我们的S2C上下文模型在保持或提高重建质量的同时实现了比特节省，同时相较于当前最先进的基于体素压缩方法具有更低的计算复杂度。
引用
@article{arxiv.2503.18283,
title = {Voxel-based Point Cloud Geometry Compression with Space-to-Channel Context},
author = {Bojun Liu and Yangzhi Ma and Ao Luo and Li Li and Dong Liu},
journal= {arXiv preprint arXiv:2503.18283},
year = {2025}
}