.png){kind=icon}
返回
Efficient Occupancy Prediction Guided Point Cloud Geometry Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3624369.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效点云几何压缩（PCGC）需要以更低的每点比特数（BPP）和更高的峰值信噪比（PSNR）实现，这对于大规模3D数据的传输至关重要。尽管基于八叉树的熵模型可以在不引入几何失真的情况下降低BPP，但现有的基于CNN的模型受限于感受野大小，难以捕捉长距离依赖关系，而基于Transformer的架构则因依赖全局自注意力机制而常常忽略精细细节。本文提出了一种Transformer优化的占用预测网络，命名为TopNet，通过开发多种创新组件来克服这些挑战，旨在增强全局上下文建模与局部结构保留：局部增强上下文编码（LeCE）用于改善局部结构感知并增强八叉树节点的平移不变性；自适应长度滑动窗口注意力（AL-SWA）用于同时捕捉全局与局部依赖关系，并根据输入窗口长度自适应调整注意力权重；空间门控增强通道混合器（SG-CM）用于高效聚合祖先和兄弟节点的特征；潜在引导节点占用预测器（LNOP）用于提高局部上下文中空间相邻八叉树节点的预测精度。在三个大规模室外稀疏LiDAR数据集（包括SemanticKITTI、nuScenes和LiDAR-CS）、两个室内密集人体数据集（包括8iVFB和MVUB）以及一个室内密集场景数据集（ScanNet）上的全面实验表明，我们的TopNet以更少的参数实现了当前最优的压缩性能。
Keyword:
Point cloud geometry compression
CNN
transformer
self-attention
octree
期刊
IF:
11.1
论文数:
883
被引数:
3.1W
机构
引用论文
.png){kind=icon}
Isolated Points Prediction via Deep Neural Network on Point Cloud Lossless Geometry Compression
PREAI
分享收藏OctFormer: Efficient Octree-Based Transformer for Point Cloud Compression with Local EnhancementOctFormer：基于八叉树的局部增强点云压缩高效Transformer
OAAI
OAAI分享收藏分享收藏
查看更多内容