.png){kind=icon}
返回
Progressive Frame Patching for FoV-Based Point Cloud Video Streaming
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3565928.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多XR应用需要向用户传输体素视频。点云已成为一种流行的体素视频格式。密集点云的带宽消耗远高于2D/360°视频帧。用户视场（FoV）在6-DoF运动下比3-DoF运动更具动态性。为了节省带宽，FoV自适应流媒体会预测用户的FoV，并仅下载落入预测FoV的点云数据。然而，它易受FoV预测误差的影响，当使用长缓冲区进行平滑流媒体传输时，这种误差可能很大。在本工作中，我们提出了一种多轮次渐进式细化框架用于点云视频流媒体传输。我们的解决方案并非按顺序下载点云帧，而是同时下载/修补落入滑动时间窗口内的多个帧，利用八叉树编码点云固有的可伸缩性。所有活动帧的所有瓦片之间的最优码率分配通过数值方法解决，利用由预测用户FoV校准的异构瓦片率-质量函数。多帧下载/修补同时利用了长缓冲区带来的流媒体平滑性和短缓冲区长度下的FoV预测精度。我们使用真实点云视频、真实带宽轨迹以及真实用户的6-DoF FoV轨迹驱动的模拟来评估我们的流媒体解决方案。我们的解决方案对带宽/FoV预测误差具有鲁棒性，能够在带宽变化和用户及点云动态运动的情况下提供高质量且平滑的视图质量。
Keyword:
KKT condition
point cloud
progressive downloading
rate allocation
volumetric video streaming
