.png){kind=icon}
返回
Deep G-PCC Geometry Preprocessing via Joint Optimization With a Differentiable Codec Surrogate for Enhanced Compression Efficiency
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2026.3655187.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于几何的点云压缩（G-PCC）是MPEG设计的一项国际标准，它为压缩各种类型的点云提供了一个通用框架，同时确保跨应用和设备的互操作性。然而，尽管G-PCC的计算功耗较低，其性能仍逊于近年来的基于深度学习的PCC方法。为在不牺牲其互操作性或计算灵活性的前提下提升G-PCC的效率，我们提出了首个面向压缩的点云体素化网络，并与一个可微分的G-PCC代理模型联合优化。该代理模型模拟了不可微分的G-PCC编解码器的率失真行为，实现了端到端的梯度传播。该通用的体素化网络通过基于学习的体素化自适应地转换输入点云，并通过全局缩放、精细修剪和点级编辑有效操纵点云以实现率失真权衡。在推理阶段，仅需将轻量级体素化网络预置到G-PCC编码器前，无需对解码器进行修改，因此不会为终端用户引入计算开销。大量实验表明，相较于G-PCC，该方法平均BD码率降低了38.84%。通过连接经典编解码器与深度学习，本研究为在保留向后兼容性的同时增强传统压缩标准提供了一条实用路径，使其非常适合实际部署。
Keyword:
Point cloud preprocessing
point cloud compression
G-PCC surrogate
voxelization
joint optimization
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
.png){kind=icon}
PREAI
分享收藏
Dependence-Based Coarse-to-Fine Approach for Reducing Distortion Accumulation in G-PCC Attribute Compression减少g-pcc属性压缩中失真累积的基于依赖的从粗到细方法
PREAI
分享收藏分享收藏ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet: 一种用于移动设备的极其高效的卷积神经网络
OAAI
OAAI分享收藏
查看更多内容