.png){kind=icon}
返回
Multi-Space Point Geometry Compression With Progressive Relation-Aware Transformer
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2024.3384057.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于不断扩展的3D应用程序，基于深度网络的点云几何压缩变得越来越重要和有吸引力。采用整体点云作为输入的当前策略对压缩的点云大小施加了限制，并导致局部几何信息的丢失，从而简化了局部点云模式的重复。然而，采用点云面片作为输入会在拼接的点云中产生一组新的错误点。这种情况的发生可以归因于全局信息的丢失以及点云补丁之间的关系。因此，本文介绍了一种用于渐进下采样点云压缩的新颖框架，该框架遵循两种不同方法的原理。我们的策略仍然使用自动编码器结构。具体地，编码器减小点云大小并学习包含局部面片结构信息和全局语义信息的特征。同时，解码器对量化和熵编码的特征进行上采样，以重建原始点云。更具体地，对补片内部的几何细节和补片之间的关系进行编码以获得点云的全局语义和局部几何信息。同时，通过将完整的点云输入划分成段并进行连续的下采样来减少计算负担。此外，我们引入了基于注意力的点云反卷积模块，以解决线性插值导致的重建点云中的局部重复浓度。该模块在多空间域中对父节点及其相邻关系进行采样，以改善要采样的父节点的特性。然后，它使用反卷积来创建比线性插值变化更大的子节点特性。经验证据表明，所提出的方法实现了压缩质量和比率之间的有效平衡。
Keyword:
Point cloud compression
Transformers
Three-dimensional displays
Decoding
Geometry
Entropy
Encoding
Cross-attention
point cloud geometry compression
self-attention
transformer
期刊
IF:
9.7
论文数:
4.5K
被引数:
2.4W
机构
引用论文
Clinical manifestations and treatment outcomes of syphilitic uveitis in HIV-negative patients in China.png)
Medicine
OAAI
MedicineIF0
OAAI分享收藏Inflexibility of mental planning: A characteristic disorder with prefrontal lobe lesions?心理计划的僵化: 前额叶病变的特征性障碍？
PREAI
分享收藏分享收藏
查看更多内容