Geometric Prior Based Deep Human Point Cloud Geometry Compression

要約

デジタル アバターの出現により、リアルで複雑な詳細を備えた人間の点群に対する需要が急激に増加しました。
このようなデータの圧縮は、数百万ポイントからなる圧倒的なデータ量により困難になります。
ここでは、点群の幾何学的冗長性の除去に人間の幾何学的事前手法を活用し、圧縮パフォーマンスを大幅に向上させます。
より具体的には、従来の方法では、ジオメトリの初期化としてトポロジー制約が提供され、わずか数ビットで表現できるコンパクトなパラメータ セットによる適応調整が可能になります。
したがって、高解像度の人間点群は、幾何学的事前分布と構造的偏差の組み合わせとして想定できます。
まず事前分布は位置合わせされた点群から導出され、その後、特徴の差がコンパクトな潜在コードに圧縮されます。
提案されたフレームワークは、既存の学習ベースの点群圧縮方法を使用して、プレイアンドプラグ方式で動作できます。
広範な実験結果は、私たちのアプローチが品質を損なうことなく圧縮パフォーマンスを大幅に向上させることを示しており、さまざまなアプリケーションでのその可能性を実証しています。

要約(オリジナル)

The emergence of digital avatars has raised an exponential increase in the demand for human point clouds with realistic and intricate details. The compression of such data becomes challenging with overwhelming data amounts comprising millions of points. Herein, we leverage the human geometric prior in geometry redundancy removal of point clouds, greatly promoting the compression performance. More specifically, the prior provides topological constraints as geometry initialization, allowing adaptive adjustments with a compact parameter set that could be represented with only a few bits. Therefore, we can envisage high-resolution human point clouds as a combination of geometric priors and structural deviations. The priors could first be derived with an aligned point cloud, and subsequently the difference of features is compressed into a compact latent code. The proposed framework can operate in a play-and-plug fashion with existing learning based point cloud compression methods. Extensive experimental results show that our approach significantly improves the compression performance without deteriorating the quality, demonstrating its promise in a variety of applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google