.png){kind=icon}
返回
ASRL: Adaptive Sparse Representation Learning for LiDAR Point Cloud Geometry Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2025.3616643.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
八叉树结构化上下文熵模型与Transformer的结合，在激光雷达点云几何压缩（PCGC）中通过捕获长距离依赖关系，展现了优异性能，这对于提升码率-失真（R-D）性能至关重要。尽管现有的高效注意力机制降低了计算成本，但它们常处理无关节点，引入冗余和噪声。本研究提出了一种自适应稀疏表示学习（ASRL）框架，旨在减轻无关节点的噪声交互，并在跨空间-通道上下文中消除特征冗余，应用于激光雷达PCGC。具体而言，我们采用滑动上下文窗口处理生成的1D序列，随后将其输入多个自适应稀疏Transformer（AST）块，以实现高效上下文特征表示学习。每个AST块包含两个组件：自适应增强稀疏空间交互（ASSI），通过自适应加权结合密集和稀疏注意力分支，建模全局-局部交互；以及局部增强调和通道混合器（LHCM），跨细化尺度聚合特征，并通过互补交互调和通道信息。在包含不同稀疏度（如SemanticKITTI（64-beam）和Ford（32-beam））的大规模真实世界激光雷达点云数据集上的实验表明，ASRL实现了当前最优的压缩性能，并在不同光束配置下表现出良好的泛化能力。
Keyword:
Octree
self-attention
feature interaction
point cloud geometry compression
