要約
点群は3次元コンテンツの重要な表現であり、バーチャルリアリティ、複合現実感、自律走行など様々な分野で広く利用されている。しかし、データ中の点数の増加に伴い、点群データを効率的に圧縮することが困難になってきている。本論文では、パッチベース点群圧縮に対する一連の重要な改良点を提案する。すなわち、エントロピー符号化のための学習可能なコンテキストモデル、セントロイド点のサンプリングのためのオクトリー符号化、および圧縮と学習プロセスの統合である。さらに、再構成時の点の均一性を向上させるために、敵対的ネットワークを提案する。我々の実験は、改良されたパッチベースオートエンコーダが、疎な点群および大規模な点群の両方において、レートディストーション性能の点で最先端技術を上回ることを示すものである。さらに重要なことは、我々の方法は再構成品質を確保しながら、短い圧縮時間を維持することができることである。
要約(オリジナル)
Point cloud is a crucial representation of 3D contents, which has been widely used in many areas such as virtual reality, mixed reality, autonomous driving, etc. With the boost of the number of points in the data, how to efficiently compress point cloud becomes a challenging problem. In this paper, we propose a set of significant improvements to patch-based point cloud compression, i.e., a learnable context model for entropy coding, octree coding for sampling centroid points, and an integrated compression and training process. In addition, we propose an adversarial network to improve the uniformity of points during reconstruction. Our experiments show that the improved patch-based autoencoder outperforms the state-of-the-art in terms of rate-distortion performance, on both sparse and large-scale point clouds. More importantly, our method can maintain a short compression time while ensuring the reconstruction quality.
arxiv情報
| 著者 | Kang You,Pan Gao,Qing Li |
| 発行日 | 2022-08-04 08:12:35+00:00 |
| arxivサイト | arxiv_id(pdf) |