Bidirectional Feature-Aligned Motion Transformation for Efficient Dynamic Point Cloud Compression

doi:10.1109/tbc.2026.3668610

Bidirectional Feature-Aligned Motion Transformation for Efficient Dynamic Point Cloud Compression

2026-03-09

0

PRE

AI

DOI：10.1109/tbc.2026.3668610

原文链接

原文求助

摘要

En 中文

高效动态点云压缩（DPCC）严重依赖于精确的运动估计与补偿。然而，点云固有的不规则结构和大范围局部变化使该任务极具挑战性。现有方法通常依赖显式运动估计，其编码的运动矢量常难以捕捉复杂动态并充分挖掘时域相关性。为解决这些局限性，我们提出一种双向特征对齐运动变换（Bi-FMT）框架，在特征空间中隐式建模运动。Bi-FMT对齐过去和未来帧的特征，生成时域一致的潜在表示，作为条件编码流水线中的预测上下文，形成统一的“运动+条件”表示。基于此双向特征对齐，我们在解码端引入交叉Transformer细化模块（CTR），自适应地细化局部对齐特征。通过向量注意力建模跨帧依赖，CTR增强局部一致性并恢复运动对齐中常丢失的精细空间细节。此外，我们设计了一种随机访问（RA）参考策略，将双向对齐特征作为条件上下文，实现帧级并行压缩并消除顺序编码。大量实验表明，Bi-FMT在压缩效率和运行时间上均优于D-DPCC和AdaDPCC，分别实现BD-Rate降低20%（D1）和9.4%（D1）。我们的代码可在https://github.com/dovedx/FMT_DPCC获取。

Keyword:

Dynamic point clouds

compression

deep learning

Bidirectional Feature-Aligned Motion Transformation for Efficient Dynamic Point Cloud Compression

摘要

期刊

机构

引用论文