.png){kind=icon}
返回
3QNet: 3D Point Cloud Geometry Quantization Compression Network
.png){kind=icon}
PRE
AI
DOI：10.1145/3550454.3555481.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自三维应用发展以来，点云作为一种易于被传感器获取的空间描述，已被广泛应用于SLAM和三维重建等多个领域。点云压缩 (PCC) 作为点云传输和保存之前的主要步骤也引起了越来越多的关注，其中几何压缩是PCC压缩点几何结构的重要组成部分。然而，现有的非基于学习的几何形状压缩方法通常受到手动预定义的压缩规则的限制。尽管基于学习的压缩方法可以通过从数据中学习压缩规则来显着提高算法性能，但它们仍然存在一些缺陷。基于体素的压缩网络由于体素化操作而引入精度误差，而基于点的方法可能具有相对较弱的鲁棒性并且主要被设计用于稀疏点云。在这项工作中，我们提出了一种新颖的基于学习的点云压缩框架，称为3D点云几何量化压缩网络 (3qnet)，它克服了现有的基于点的方法的鲁棒性限制，可以处理密集的点。通过从简单和稀疏形状中学习包括共同结构特征的码本，3qnet可以有效地处理多种点云。根据对象模型，室内场景和室外扫描的实验，3qnet可以实现比许多代表性方法更好的压缩性能。
Keyword:
point cloud
geometry compression
network
learning
期刊
IF:
9.5
论文数:
4.8K
被引数:
3.6W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容