Efficient LiDAR Reflectance Compression via Scanning Serialization

要約

Lidar Point Cloudsの反射属性は、下流のタスクに不可欠な情報を提供しますが、神経圧縮法では露出度の低いままです。
これに対処するために、リダー反射率の固有の特性を完全に活用するために、シリアル化ベースの神経圧縮フレームワークであるSerlicを紹介します。
Serlicは、最初に3D Lidar Point Cloudsをスキャンオーダーシリアル化を介して1Dシーケンスに変換し、反射率分析のためのデバイス中心の視点を提供します。
次に、効果的な依存関係の調査のために、各ポイントをセンサースキャンインデックス、半径方向の距離、および事前反射率を含むコンテキスト表現にトークン化されます。
効率的なシーケンシャルモデリングのために、MAMBAは二重の並列化スキームに組み込まれており、同時自己回帰依存関係キャプチャと高速処理を可能にします。
広範な実験は、Serlicが元の反射率データに対して2倍以上のボリューム削減を達成することを示しており、そのパラメーターの2％しか使用しない一方で、最先端の方法を圧縮ビットの最大22％減少させたことが示されています。
さらに、Serlicの軽量バージョンは、わずか111kパラメーターで10 fps（1秒あたりのフレーム）を達成します。これは、実際のアプリケーションにとって魅力的です。

要約(オリジナル)

Reflectance attributes in LiDAR point clouds provide essential information for downstream tasks but remain underexplored in neural compression methods. To address this, we introduce SerLiC, a serialization-based neural compression framework to fully exploit the intrinsic characteristics of LiDAR reflectance. SerLiC first transforms 3D LiDAR point clouds into 1D sequences via scan-order serialization, offering a device-centric perspective for reflectance analysis. Each point is then tokenized into a contextual representation comprising its sensor scanning index, radial distance, and prior reflectance, for effective dependencies exploration. For efficient sequential modeling, Mamba is incorporated with a dual parallelization scheme, enabling simultaneous autoregressive dependency capture and fast processing. Extensive experiments demonstrate that SerLiC attains over 2x volume reduction against the original reflectance data, outperforming the state-of-the-art method by up to 22% reduction of compressed bits while using only 2% of its parameters. Moreover, a lightweight version of SerLiC achieves > 10 fps (frames per second) with just 111K parameters, which is attractive for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google