.png){kind=icon}
返回
Improving Occupancy Prediction for Multiscale Point Cloud Geometry Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3642141.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多尺度稀疏表示在点云几何压缩中具有显著优势，相较于标准化方案和其他学习型方法，实现了最先进的表现。该框架的关键组成部分是跨尺度占用预测，它利用较低尺度的参考表示（仅来自当前帧或同时来自当前帧和时域参考帧）来为静态或动态编码建立条件先验。然而，现有工作主要采用局部计算，例如稀疏卷积和kNN注意力，来挖掘此类表示中的相关性；这些方法通常无法充分捕捉全局一致性。此外，无损-有损尺度的固定配置无法适应时域动态，这限制了动态编码中时域参考的重构质量。这些局限性制约了更有效条件编码先验的生成。为解决这些问题，我们提出了两种新技术。第一种是KPA（关键点驱动的注意力机制），它整合了局部和全局特征。第二种是AdaScale（自适应无损-有损尺度），它根据时域位移决定过渡尺度应处于无损或有损模式，从而提升时域参考的重构质量。大量实验表明，我们的方法在静态/动态以及无损/有损编码场景下，均显著优于最先进的方法，包括基于规则的标准化编解码器（如G-PCC和V-PCC）以及学习型方法（如Unicorn和TMAP）。
Keyword:
Point cloud geometry compression
key point
cross attention
conditional coding
期刊
IF:
11.1
论文数:
892
被引数:
3.1W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容