.png){kind=icon}
返回
Causal Emergence Guided Point Cloud Compression: Effective Information Regularizer for Rate-Distortion Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/lsp.2026.3736305.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的点云压缩（PCC）已实现卓越的率失真性能。然而，大多数现有PCC方法通过纯点级统计优化学习潜在特征，无法显式捕捉3D几何体的宏观结构特征。该问题在潜在表示中保留了微观噪声和虚假相关性，导致冗余比特消耗和有限的压缩效率。为解决此问题，本研究基于因果涌现理论提出了一种新颖的因果正则化PCC框架。作为因果涌现的核心定量指标，有效信息（EI）被表述为可微正则化项，以量化并增强潜在特征的因果结构属性。该机制抑制了无关噪声，消除了虚假统计依赖，并在不引入额外推理开销的情况下提高了潜在特征的紧凑性。在KITTI、Ford和Thuman数据集上的大量实验表明，本方法在无损几何压缩方面优于当前最佳方法AnyPcc，实现了平均bpp降低1.21%、0.75%和0.82%。本研究为高效PCC提供了一种有效的因果结构感知范式。
Keyword:
Causal emergence
effective information
point cloud compression
期刊
I
IF:
3.9
论文数:
833
被引数:
0
机构
引用论文
IB-PC: An Information Bottleneck Framework for Point Cloud-Based Building Information ModelingIB-PC：基于点云的建筑信息建模的信息瓶颈框架
OAAI
.png){kind=icon}
OAAI分享收藏
Inter-LPCM: Learning-Based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression基于学习的LiDAR点云压缩的帧间预测编码
PREAI
分享收藏分享收藏
查看更多内容