核心概念
Die Punktwolkenkompression wird als ein Problem des eingeschränkten optimalen Transports formuliert, um sowohl die globale Verteilung als auch die lokale Dichte der Punktwolke bei gegebener Bitrate optimal zu erhalten.
摘要
In dieser Arbeit wird ein neuartiges Punktwolkenkompressionsverfahren namens COT-PCC vorgestellt, das die Aufgabe als ein Problem des eingeschränkten optimalen Transports (COT) formuliert.
Der Schlüsselaspekt ist es, eine optimale Darstellung für die Verteilungsabbildung zu lernen, während gleichzeitig die Bitrate eingeschränkt wird. Dafür wird zunächst ein Netzwerk entworfen, das für nicht-euklidische Daten geeignet ist, um die Abbildung zu parametrisieren. Anschließend wird ein quadratischer Wasserstein-Abstand eingeführt, um den Abstand zwischen zwei Punktwolken genau zu messen und das Modelllernen zu steuern. Darüber hinaus wird ein lernbarer Sampler eingeführt, um den Downsampling-Schritt des Kompressionsverfahrens zu erleichtern, indem er lernt, Punkte auszuwählen, die für die Kompression vorteilhaft sind.
Die umfangreichen Experimente auf sowohl dünnen als auch dichten Punktwolkendatensätzen zeigen, dass COT-PCC die state-of-the-art-Methoden in Bezug auf CD- und PSNR-Metriken übertrifft.
統計資料
Die Kompression mit COT-PCC erreicht bei gleicher Bitrate eine um 5-6 dB höhere PSNR im Vergleich zu G-PCC, was einen deutlichen Vorteil in Niedrigbitrate-Szenarien zeigt.
引述
"COT-PCC nimmt die Bitrate der komprimierten Merkmale als zusätzliche Einschränkung des optimalen Transports (OT) an, der die Verteilungstransformation zwischen Original- und rekonstruierten Punkten lernt."
"Durch die Optimierung des Wasserstein-Abstands zwischen der dekomprimierten und der realen Punktwolkenverteilung erreicht unser COT-PCC die beste Leistung sowohl in Bezug auf die globale Verteilung als auch auf die lokalen Details, selbst bei den niedrigsten Bitraten."