Deep Dynamic Point Cloud Attribute Compression Using Dual-Modal Motion Estimation and Spatio-Temporal Conditional Residual Coding

doi:10.1109/tbc.2026.3689340

Deep Dynamic Point Cloud Attribute Compression Using Dual-Modal Motion Estimation and Spatio-Temporal Conditional Residual Coding

2026-05-05

0

PRE

AI

DOI：10.1109/tbc.2026.3689340

原文链接

原文求助

摘要

En 中文

动态点云是一系列点云，提供3D几何坐标、属性以及时间信息。然而，其庞大的数据量阻碍了3D应用中的数据处理、存储和网络传输。为解决此问题，我们提出了一种端到端的深度动态点云属性压缩（DD-PCAC）方法，以利用动态点云中的时间冗余。首先，我们设计了一个统一的DD-PCAC框架，在完全可微分的数据流中执行运动估计、补偿和残差编码。其次，我们提出了双模态运动估计（DMME）模块，以探索动态点云的帧间时间冗余，该模块包括动态球匹配（DBM）、像素域聚合（PDA）和深度特征聚合（DFA）模块。第三，我们提出了一个时空条件残差编解码器，以有效建模点云属性的时间依赖性并提高压缩效率。实验结果表明，所提出的DD-PCAC与当前最优的TSC-PCAC模型和传统的基于几何的点云压缩（G-PCC）相比，分别实现了平均31.57%和30.33%的BD率增益。此外，所提出的DD-PCAC的编码和解码复杂度远低于基准G-PCC、V-PCC和Sparse-PCAC。源代码和预训练模型可在以下网址获取：https://github.com/SYSU-Video/DD-PCAC

Keyword:

Dynamic point cloud attribute compression

deep learning

sparse convolution

feature matching

Deep Dynamic Point Cloud Attribute Compression Using Dual-Modal Motion Estimation and Spatio-Temporal Conditional Residual Coding

摘要

期刊

机构