基于深度图神经网络的无线三维点云传输
信号处理
2020-06-18 v1 信息论
机器学习
math.IT
摘要
在典型的点云传输中，发送方使用基于八叉树的数字视频压缩，通过带宽受限的链路发送三维（3D）点及颜色属性。然而，基于数字的方案存在一种称为悬崖效应的issue，即3D重建质量相对于无线信道质量呈阶跃函数。为防止随信道质量波动出现的悬崖效应，我们提出了称为HoloCast的软点云传输。尽管HoloCast能根据无线信道质量实现平滑的质量提升，但它需要较大的通信开销。在本文中，我们提出了一种用于软点云传输的新方案，以同时实现更优质量和更低通信开销。所提方案引入了基于图神经网络（GNN）的端到端深度学习框架，以在无线衰落信道下从其失真观测中重建高质量点云。我们证明了所提基于GNN的方案能够通过消除衰落和噪声影响，以低开销重建干净的3D点云。
引用
@article{arxiv.2006.09835,
title = {Wireless 3D Point Cloud Delivery Using Deep Graph Neural Networks},
author = {Takuya Fujihashi and Toshiaki Koike-Akino and Siheng Chen and Takashi Watanabe},
journal= {arXiv preprint arXiv:2006.09835},
year = {2020}
}
备注
5 pages