Inter-LPCM: Learning-Based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression

Chang Sun

doi:10.1109/TIP.2026.3706296

Inter-LPCM: Learning-Based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression

2026-06-29

0

PRE

AI

DOI：10.1109/TIP.2026.3706296

原文链接

原文求助

摘要

En 中文

由于激光雷达传感器以固定的角度分辨率获取点云，因此产生的数据可以在球坐标系中系统地参数化并高效压缩。基于球坐标的点云压缩方法已展现出强大的率失真（RD）性能，其中几何点云压缩（G-PCC）标准中的预测几何编码（PredGeom）方法是一个突出示例。尽管PredGeom包含帧间预测模式，但它依赖简单的线性模型，限制了其捕捉复杂运动模式或结构依赖的能力。另一方面，球域中的现有基于学习的压缩方法未利用帧间相关性来减少几何冗余。为解决这些局限性，我们提出了一种基于学习的帧间预测编码方法（Inter-LPCM）。对于方位角预测，我们采用基于预定义角度分辨率的增量编码策略。为改善半径压缩，我们引入一种帧间半径预测（Inter-RP）模型，利用当前帧和注册参考帧中的邻近点估计当前点的半径。此外，我们设计了一种轻量级注意力预测（LAEP）模型，通过捕捉不同坐标间的长程几何相关性来预测俯仰角。对于量化，我们提出一种RD优化的方法来选择球坐标系中的量化步长。对于熵编码，我们为每个球坐标分量设计了不同的模型。这些模型适应各坐标的统计先验，从而实现更准确的概率估计。实验结果表明，在最佳RD配置下，Inter-LPCM在SemanticKITTI上相较于G-PCC的无损八叉树编码模式实现了26.1%的D1-PSNR BD码率降低，在Ford数据集上相较于PredGeom的帧间预测模式实现了8.3%的降低，使用最新的G-PCC测试模型TMC13 v31.0。我们的源代码公开在https://github.com/SDUChangSun/Inter-LPCM。

Keyword:

Point cloud compression

predictive geometry coding

rate-distortion optimization

deep learning

Inter-LPCM: Learning-Based Inter-Frame Predictive Coding for LiDAR Point Cloud Compression

摘要

期刊

机构

引用论文