Efficient Multi-stage Context Based Entropy Model for Learned Lossy Point Cloud Attribute Compression

doi:10.1561/116.20240051

Efficient Multi-stage Context Based Entropy Model for Learned Lossy Point Cloud Attribute Compression

2025-01-01

0

OA

AI

DOI：10.1561/116.20240051

原文链接

原文求助

摘要

En 中文

自回归熵模型通过捕捉复杂依赖关系实现了高压缩效率，但由于其串行上下文依赖性导致解码速度较慢。为解决此问题，我们提出了ParaPCAC，一种有损的并行点云属性压缩方案，旨在优化自回归熵模型的效率。我们的方法主要关注两个核心组件：并行解码策略和基于多阶段上下文的熵模型。在并行解码策略中，我们将量化后的潜在特征的体素划分为非重叠组，用于独立的上下文熵建模，从而实现并行处理。多阶段基于上下文的熵模型用于并发解码邻近特征，并在每个阶段利用先前解码的特征。在第一阶段后引入全局超先验以改进属性概率的估计。通过这两种技术，ParaPCAC实现了显著的解码速度提升，加速比最高达160倍，且相比串行自回归熵模型，BD-Rate降低了24.15%。此外，实验结果表明，ParaPCAC在码率失真性能和解码延迟方面均优于现有基于学习的方法。

Keyword:

Point cloud compression

point cloud attribute compression

learned data compression

Efficient Multi-stage Context Based Entropy Model for Learned Lossy Point Cloud Attribute Compression

摘要

期刊

机构

引用论文