.png){kind=icon}
返回
LPCM: Learning-Based Predictive Coding for LiDAR Point Cloud Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/tip.2026.3714856.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，激光雷达点云在许多应用中得到了广泛应用。由于激光雷达点云的数据量非常庞大，高效的压缩对于降低其存储和传输成本至关重要。然而，现有的基于学习的压缩方法未能利用激光雷达固有的角分辨率，并忽略了不同比特率下几何信息相关性存在的显著差异。基于几何的点云压缩（G-PCC）标准中的预测几何编码方法利用固有角分辨率来预测方位角，但它仅对相邻点方位角之间的简单线性关系进行建模，并且未优化球坐标系中各坐标轴上残差的量化参数。为解决这些问题，我们提出了一种具有高比特率与低比特率编码模式的基于学习的预测编码方法（LPCM）。LPCM利用球坐标系将点云转换为预测树。在高比特率编码模式下，我们采用轻量级的基于长短期记忆网络的预测（LSTM-P）模块，该模块能够捕捉不同坐标间的长期几何相关性，以高效预测和压缩高度角。在低比特率编码模式下，由于几何相关性下降，我们引入了变分半径压缩（VRC）模块直接压缩点的半径。随后，我们分析了球坐标量化与笛卡尔坐标量化的差异，并提出了一种基于差分进化（DE）的量化参数选择方法，该方法在无需增加编码时间的情况下提升了率失真性能。实验结果表明，在SemanticKITTI数据集上，与G-PCC的无损八叉树编码模式相比，LPCM实现了D1-PSNR BD码率降低21.2%；在Ford数据集上，与PredGeom相比，LPCM实现了5.6%的BD码率降低，所使用的最新G-PCC测试模型为TMC13 v31.0。
Keyword:
Point cloud geometry compression
predictive geometry coding
rate-distortion optimization
deep learning
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容