.png){kind=icon}
返回
Faster progressive geometry compression via normal uncertainty
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cag.2026.104736.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
渐进式三角形网格几何压缩通常利用空间相关性来减少数据大小，同时保留表面细节。在允许有损压缩的应用中，一种有效策略是将失真与人类视觉感知的局限性对齐。现有方法依赖感知指标来指导细化，但这样做通常会产生额外的数据开销以指定每个细化的位置。我们提出了一种渐进式几何压缩算法，利用感知信息模型来预测法线不确定性，从而预测失真最可能被察觉的位置。这使得编码器能够在这些区域集中细化，而无需在每个步骤中显式传输其位置，从而降低开销。虽然我们最初的方法产生的重建结果在标准感知指标排名上优于基于加权平行四边形预测的Edgebreaker基准，但其高计算成本限制了实际部署。在本扩展工作中，我们通过引入利用Halton序列和早期停止启发式的自适应准蒙特卡罗采样方法来解决这一瓶颈。该策略显著加速了压缩管道并提高了整体感知质量。此外，我们探索了一种神经估计器，其有望进一步加速法线不确定性评估过程。然而，尽管这种方法显示出潜力，但需要进一步研究才能实现足够的准确性和可靠性以供实际集成。
Keyword:
Progressive
Compression
Mesh
Geometry
Perception
