Denoising Diffusion Probabilistic Model for Point Cloud Compression at Low Bit-Rates

要約

帯域幅に制約のあるアプリケーションにとって、低ビット率雲の効率的な圧縮が重要です。
ただし、既存の手法は主に高忠実度の再構成に焦点を当てており、圧縮に多くのビットが必要です。
このペーパーでは、低ビットレートでポイントクラウド圧縮（DDPM-PCC）の「拡散確率モデルを除去する」（DDPM）アーキテクチャを提案します。
ポイントネットエンコーダーは、生成の条件ベクトルを生成し、学習可能なベクター量子化器を介して量子化されます。
この構成により、品質を維持しながら、低ビットレートを実現できます。
ShapenetとModelNet40での実験は、標準化された最先端のアプローチと比較して、低速度でのレート耐性の改善を示しています。
https://github.com/eidoslab/ddpm-pccでコードを公開しました。

要約(オリジナル)

Efficient compression of low-bit-rate point clouds is critical for bandwidth-constrained applications. However, existing techniques mainly focus on high-fidelity reconstruction, requiring many bits for compression. This paper proposes a ‘Denoising Diffusion Probabilistic Model’ (DDPM) architecture for point cloud compression (DDPM-PCC) at low bit-rates. A PointNet encoder produces the condition vector for the generation, which is then quantized via a learnable vector quantizer. This configuration allows to achieve a low bitrates while preserving quality. Experiments on ShapeNet and ModelNet40 show improved rate-distortion at low rates compared to standardized and state-of-the-art approaches. We publicly released the code at https://github.com/EIDOSLAB/DDPM-PCC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google