.png){kind=icon}
返回
ConPCAC: Conditional Lossless Point Cloud Attribute Compression via Spatial Decomposition
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3540931.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一种条件无损点云属性压缩方法，命名为ConPCAC，被提出。先前的工作通常以自回归方式编码点云中的点属性，导致无法承受的编码时间。相比之下，ConPCAC提出了一种分组条件熵模型，以实现快速编码同时保持编码性能。具体而言，ConPCAC采用了“分组分解-属性初始化-隐分布预测”框架。首先，它根据几何坐标分布灵活地将原始点云分解为多个组。然后，第一组使用基础编码器（如标准化的G-PCC）进行编码，后续各组则使用基于其前导组的神经编码器进行渐进编码。神经编码器中设计了两个关键单元：属性初始化（Init）和隐分布预测（LDP）。Init单元采用最近邻方法初始化组的属性，LDP单元进一步预测组的属性概率分布。通过这种方式，ConPCAC实现了跨组的完全相关性探索和组内点之间的并行处理。最后，将预测的概率输入算术引擎，以编码每个组的真实属性值。大量实验证明了ConPCAC的性能。它在广泛使用的8iVFB、Owlii和MVUB数据集上，分别比最新的G-PCC提高了14.59%、10.32%和12.26%，显著优于当前最先进的无损PCAC方法。此外，其计算复杂度与G-PCC相当，且远低于现有的基于学习的方法。相关代码和模型将在网站https://github.com/3dpcc/ConPCAC上发布。
Keyword:
Point cloud
attribute compression
lossless coding
probability prediction
期刊
IF:
11.1
论文数:
624
被引数:
3.1W
机构
引用论文
Deep-PCAC: An End-to-End Deep Lossy Compression Framework for Point Cloud AttributesDeep-pcac: 点云属性的端到端深度有损压缩框架
PREAI
分享收藏
Sparse Convolution Based Octree Feature Propagation for Lidar Point Cloud Compression基于稀疏卷积的八叉树特征传播用于激光雷达点云压缩.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容