.png){kind=icon}
返回
Fast Coding Unit Partitioning Method for Video-Based Point Cloud Compression: Combining Convolutional Neural Networks and Bayesian Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14071295.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着5G技术和3D捕获技术的快速发展，对有效压缩动态3D点云数据的需求显著增加。基于视频的点云压缩（V-PCC）是一种创新的3D点云压缩方法，利用高效视频编码（HEVC）进行3D点云的压缩。这是通过将点云投影到二维视频帧来实现的。然而，V-PCC面临显著的编码复杂度，尤其是对于动态3D点云，其处理复杂度可能比传统视频高出四倍。为解决这一挑战，我们提出了一种自适应编码单元（CU）分割方法，该方法整合了占用图、卷积神经网络（CNN）和贝叶斯优化。在该方法中，首先通过计算CU的占用率R将编码单元（CUs）划分为密集区域、稀疏区域和复杂复合区域，然后使用卷积神经网络（CNN）框架进行初始分类决策。对于CNN输出低置信度分类的区域，采用贝叶斯优化来细化分割并提高精度。实验结果表明，所提出的方法能够有效降低V-PCC的编码复杂度，同时保持高水平的编码质量。具体而言，几何图的平均编码时间减少了57.37%，属性图的编码时间减少了54.43%，整体编码时间减少了54.75%。虽然与基准V-PCC方法相比BD码率略有增加，但对视频质量的影响可忽略不计。此外，所提出的算法在几何压缩效率和计算时间节省方面优于现有方法。本研究创新之处在于结合深度学习与贝叶斯优化，为V-PCC提供了一种高效的CU分割策略，提升了编码速度并减少计算资源消耗，从而推动了V-PCC的实际应用。
Keyword:
V-PCC
CNN
Bayesian optimization
CU
reduced coding complexity
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
PCSCNet: Fast 3D semantic segmentation of LiDAR point cloud for autonomous car using point convolution and sparse convolution networkPCSCNet: 基于点卷积和稀疏卷积网络的自动驾驶汽车激光雷达点云快速三维语义分割
OAAI
.png){kind=icon}
OAAI分享收藏Unsupervised learning-based fast CU size decision for geometry videos in V-PCC基于无监督学习的几何视频在V-PCC中的快速CU尺寸决策
PREAI
分享收藏分享收藏
查看更多内容