ZTE vođeni algoritam za kompresiju geometrije oblaka tačaka bez gubitaka

specifikacije:

• Naziv proizvoda: Algoritam vođen prostorno-vremenskim kontekstom za kompresiju geometrije oblaka tačaka bez gubitaka
• Autori: ZHANG Huiran, DONG Zhen, WANG Mingsheng
• Objavljeno: decembar 2023
• DOI: 10.12142/ZTECOM.202304003

Upute za upotrebu proizvoda

Uvod:
Proizvod je dizajniran da efikasno komprimuje podatke u oblaku tačaka, rešavajući izazove u vezi sa kapacitetom prostora za skladištenje i propusnim opsegom za mrežni prenos.

Glavne karakteristike:

1. Režim predviđanja primjenjiv na oblake tačaka unutar okvira i unutar okvira koristeći prošireni problem trgovačkog putnika.
2. Adaptivni aritmetički koder sa brzim ažuriranjem konteksta za efikasno izračunavanje verovatnoće i rezultate kompresije.

Koraci upotrebe:

Korak 1: Podijelite oblake tačaka
Podijelite oblake tačaka na jedinične slojeve duž glavne ose.

Korak 2: Način predviđanja dizajna
Dizajnirajte način predviđanja koristeći algoritam trgovačkog putnika kako biste iskoristili prostorne i vremenske redundancije.

Korak 3: Kodiranje ostataka
Zapišite ostatke u tokove bitova koristeći aritmetički enkoder koji se prilagođava kontekstu za kompresiju.

FAQ:

• P: Koje su ključne prednosti korištenja ovog proizvoda?
  A: Proizvod omogućava efikasnu kompresiju podataka oblaka tačaka, koristeći prostorne i vremenske korelacije za poboljšane rezultate kompresije.
• P: Može li ovaj proizvod podnijeti i oblake tačaka sa jednim i više kadrova?
  A: Da, režim predviđanja je primenljiv i na oblake tačaka unutar okvira i na oblake tačaka između okvira, omogućavajući raznovrsne scenarije upotrebe.

ZHANG Huiran, DONG Zhen, WANG Mingsheng

1. Guangzhou Urban Planning and Design Survey Research Institute, Guangzhou 510060, Kina；
2. Guangdong Enterprise Key Laboratory za urbano otkrivanje, praćenje⁃ ing i rano upozoravanje, Guangzhou 510060, Kina；
3. Državna ključna laboratorija informatičkog inženjerstva u geodetskim kartama⁃ ping i daljinsko ispitivanje, Univerzitet Wuhan, Wuhan 430079, Kina)

sažetak: Kompresija oblaka tačaka je ključna za implementaciju 3D prikaza fizičkog svijeta kao što su 3D impresivna teleprisutnost, autonomna vožnja i kulturno naslijeđetage očuvanje. Međutim, podaci oblaka tačaka se distribuiraju nepravilno i diskontinuirano u prostornim i vremenskim domenima, gdje suvišni nezauzeti vokseli i slabe korelacije u 3D prostoru čine postizanje efikasne kompresije izazovnim problemom. U ovom radu predlažemo prostorno-vremenski kontekstualno vođen algoritam za kompresiju geometrije oblaka tačaka bez gubitaka. Predložena šema počinje dijeljenjem oblaka tačaka na isječene slojeve jedinične debljine duž najduže ose. Zatim, uvodi metodu predviđanja u kojoj su dostupni i oblaci tačaka unutar okvira i među okvirima, određivanjem korespondencije između susjednih slojeva i procjenom najkraćeg puta koristeći algoritam trgovačkog putnika. Konačno, nekoliko zaostataka predviđanja je efikasno komprimovano sa optimalnim kontekstualno vođenim i adaptivnim tehnikama aritmetičkog kodiranja brzog moda. Eksperimenti dokazuju da predložena metoda može efikasno postići kompresiju geometrijskih informacija oblaka tačaka sa niskom brzinom prijenosa bez gubitaka i pogodna je za 3D kompresiju oblaka tačaka primjenjivu na različite vrste scena.
Ključne riječi: kompresija geometrije oblaka tačaka; oblaci tačaka jednog kadra; multi-frame point clouds; prediktivno kodiranje; aritmetičko kodiranje.

Citat (Format 1): ZHANG HR, DONG Z, WANG M S. Prostorno-vremenski kontekstualno vođen algoritam za kompresiju geometrije oblaka tačaka bez gubitaka [J]. ZTE Communications, 2023, 21(4): 17–28. DOI: 10.12142/ZTECOM.202304003
Citat (Format 2): HR Zhang, Z. Dong i MS Wang, „Prostorno-vremenski kontekstualno vođen algoritam za kompresiju geometrije oblaka tačaka bez gubitaka“, ZTE Communications, vol. 21, br. 4, str. 17–28, decembar 2023. doi: 10.12142/ZTECOM.202304003.

 

Uvod

Uz poboljšanje performansi opreme za akviziciju na više platformi i više rezolucija, tehnologija detekcije svjetla i dometa (LiDAR) može efikasno simulirati 3D objekte ili scene s masivnim skupovima tačaka. U poređenju sa tradicionalnim multimedijalnim podacima, podaci u oblaku tačaka sadrže više fizičkih mernih informacija koje predstavljaju objekte besplatno viewtačke, čak i scene sa složenim topološkim strukturama. Ovo rezultira snažnim interaktivnim i impresivnim efektima koji korisnicima pružaju živopisno i realistično iskustvo vizualizacije. Pored toga, podaci u oblaku tačaka imaju jaču sposobnost zaštite od šuma i mogućnost paralelne obrade, što je izgleda privuklo pažnju industrije i akademske zajednice, posebno za domene aplikacija kao što je kulturno naslijeđetage očuvanje, 3D imerzivna teleprisutnost i automatska vožnja[1–2].
Međutim, podaci u oblaku tačaka obično sadrže milione do milijarde tačaka u prostornim domenima, što dovodi do opterećenja i izazova za kapacitet prostora za skladištenje i propusni opseg mrežnog prenosa. Na primjer, uobičajeni dinamički oblak tačaka koji se koristi za zabavu obično sadrži otprilike milion tačaka po kadru, što, pri 30 sličica u sekundi, iznosi ukupnu propusnost od 3.6 Gbit/s ako se ne kompresuje[3]. Stoga istraživanje visokoefikasnih algoritama kompresije geometrije za oblake tačaka ima važnu teorijsku i praktičnu vrijednost.
Prethodni rad je rješavao ovaj problem direktno izgradnjom mreža ili padova na zahtjevampling, zbog ograničenja u računarskoj računarskoj moći i efikasnosti prikupljanja oblaka tačaka, što je rezultiralo niskim performansama prostorno-vremenske kompresije i gubitkom informacija o karakteristikama geometrijskih atributa. Nedavne studije su se uglavnom bazirale na kompjuterskoj grafici i tehnikama digitalne obrade signala za implementaciju blok operacija u oblaku podataka[4 5] ili kombinovanoj tehnologiji video kodiranja[6 7] za optimizaciju. U 2017. Grupa stručnjaka za pokretne slike (MPEG) zatražila je prijedloge za kompresiju oblaka tačaka i vodila naknadne rasprave o tome kako komprimirati ovu vrstu podataka. Sa sve većim pristupima kompresiji oblaka tačaka koji su dostupni i predstavljeni, okviri za kompresiju podataka u oblaku u dvije tačke—TMC13 i TMC2 su objavljeni 2018. Gore navedeno istraživanje pokazuje značajan napredak u tehnologiji kompresije oblaka tačaka. Međutim, prethodni rad se uglavnom bavio prostornom i vremenskom ko-relacijom oblaka tačaka odvojeno, ali još uvijek nije bio iskorišten do punog potencijala u kompresiji oblaka tačaka.
Kako bismo odgovorili na gore navedene izazove, uvodimo prostorno-vremenski kontekst vođen metodu za kompresiju geometrije oblaka tačaka bez gubitaka. Prvo dijelimo oblake tačaka na jedinične slojeve duž glavne ose. Zatim dizajniramo način predviđanja putem algoritma trgovačkog putnika, usvajanjem prostorno-vremenske korelacije. Konačno, reziduali se upisuju u tokove bitova pomoću korišćenog aritmetičkog enkodera koji se prilagođava kontekstu. Naši glavni doprinosi su sljedeći.
1) Dizajniramo - način predviđanja primjenjiv i na oblak tačaka unutar okvira i na oblak tačaka između okvira, preko proširenog problema trgovačkog putnika (TSP). Koristeći prostornu i vremensku redundanciju oblaka tačaka, predviđanje geometrije može bolje iskoristiti prostornu korelaciju i stoga omogućiti različite vrste scenarija.
2) Predstavljamo adaptivni aritmetički koder sa brzim ažuriranjem konteksta, koji bira optimalni 3D kontekst iz kontekstnog rječnika i potiskuje povećanje procjene entropije. Kao rezultat, poboljšava efikasnost izračunavanja vjerovatnoće entropijskih kodera i daje značajne rezultate kompresije.
Ostatak ovog rada strukturiran je na sljedeći način. Odjeljak 2 daje pregled povezanog rada na kompresiji geometrije oblaka tačaka. Odjeljak 3 prvo predstavlja krajview predloženog okvira. Zatim se detaljno opisuje predložena metoda. Eksperimentalni rezultati i zaključci prikazani su u odjeljcima 4 i 5.

Povezani rad

U literaturi je predloženo mnogo algoritama kompresije geometrije oblaka tačaka. CAO et al. [8] i GRAZIOSI et al. [9] provode istraživanje i rezime trenutnih metoda kompresije oblaka tačaka, fokusirajući se na tehnologiju kompresije prostorne dimenzije i okvire standardizacije MPEG respektivno. Nudimo kratku review nedavnog razvoja u dvije kategorije: kompresija oblaka tačaka u jednom kadru i kompresija oblaka tačaka u više okvira.

1. Kompresija oblaka tačaka jednog kadra
   Oblaci tačaka sa jednim okvirom se široko koriste u inženjerskim istraživanjima, kulturnoj baštinitage očuvanje, geografski informacioni sistemi i drugi scenariji. Oktree je široko korištena struktura podataka za efikasno predstavljanje oblaka tačaka, koji se mogu komprimirati snimanjem informacija kroz zauzete čvorove. HUANG et al.[10] predlaže metodu zasnovanu na oktarbu koja rekurzivno deli oblak tačaka na čvorove sa njihovim pozicijama predstavljenim geometrijskim središtem svake jedinice. FAN et al.[11] dodatno poboljšati ovu metodu uvođenjem klaster analize kako bi se generisala hijerarhija nivoa detalja (LOD) i kodiranjem po redosledu u širinu. Međutim, ove metode mogu uzrokovati izobličenje zbog aproksimacije originalnog modela tokom iterativnog procesa.
   Da bi se pozabavili ovim ograničenjima, naučnici su uveli karakteristike geometrijske strukture, kao što su model trokutaste površine[12], model ravnine površine[13 14] i algoritam grupisanja[15], za međuslojno predviđanje i izračunavanje ostatka . RENTE et al.[16] predlaže koncept progresivne slojevite kompresije koja prvo koristi strukturu okstabla za grubo kodiranje, a zatim koristi grafsku Fourierovu transformaciju za kompresiju i rekonstrukciju detalja oblaka. MPEG je 2019. objavio tehnologiju kompresije oblaka tačaka zasnovanu na geometriji (G-PCC) za statičke i dinamičke oblake tačaka, koja se implementira kroz transformaciju koordinata, vokselizaciju, analizu geometrijske strukture i aritmetičko kodiranje korak po korak[17].
   Budući da određeni oktanti unutar oktanta mogu biti rijetko naseljeni ili čak prazni, predložene su neke metode za optimizaciju strukture stabla skraćivanjem podčvorova i stoga očuvaju alokaciju memorije. Za nprample, DRICOT et al. [18] predlažu inferirani način direktnog kodiranja (IDCM) za završetak particije oktree baziran na unaprijed definiranim uvjetima analize prorijeđenosti, koja uključuje orezivanje strukture oktree da bi se sačuvali bitovi dodijeljeni podređenim čvorovima. ZHANG et al. [19] predlažu podjelu prostora oblaka tačaka duž glavnih komponenti i prilagođavanje metode particije iz binarnog stabla, quadtree i okstabla. U poređenju sa tradicionalnim particionisanjem u obliku oktree, hibridni modeli koji su gore pomenuti mogu efikasno da smanje broj bitova koji se koriste za predstavljanje rijetkih tačaka, čime se čuvaju čvorovi koje je potrebno kodirati. Međutim, u procesu su potrebni složeni hiperparametarski uvjeti i određivanje moda, što otežava ispunjavanje zahtjeva samoprilagođavanja i niske složenosti.
   Sa dubokim neuronskim mrežama koje čine značajan napredak u kompresiji slike i videa, istraživači su istražili načine za dalje smanjenje brzine prijenosa korištenjem super prethodnog navođenja i redundancije ekspresije latentnog prostora tokom procesa kompresije. QUACH et al.[20] i HUANG et al.[21] predložiti metode koje uključuju ove koncepte. GUARDA i dr. kombinuju konvolucione neuronske mreže i autoenkodere da bi se iskoristila redundantnost između susednih tačaka i poboljšala prilagodljivost kodiranja u Ref. [22]. Nedavno su WANG et al. [23] predlažu metodu kompresije oblaka tačaka zasnovanu na varijacionom auto-koderu, koji poboljšava omjer kompresije učenjem hiperpriora i smanjenjem potrošnje memorije aritmetičkog kodiranja. Gore navedene metode koriste neuronske mreže kodera za hvatanje skrivenog vektora visokog reda oblaka tačaka, vjerovatnoće entropijskog modela i vjerovatnoće rubova koje se bolje uklapaju, čime se smanjuje potrošnja memorije aritmetičkog kodiranja. Uopšteno govoreći, istraživanje geometrijske kompresije oblaka tačaka u jednom kadru je relativno zrelo, ali još uvijek postoje dva izazova. Prostorna korelacija se nije efikasno koristila, a većina metoda ne kodira korelaciju podataka oblaka tačaka temeljno i efikasno. Osim toga, izračunavanje modela vjerovatnoće za entropijsko kodiranje izgleda dugo i naporno zbog ogromnog broja konteksta.
2. Kompresija oblaka tačaka u više okvira
   Oblaci tačaka sa više kadrova se obično koriste u scenarijima kao što su 3D imerzivna teleprisutnost u realnom vremenu, interaktivni VR, 3D bez viewemitovanje tačke i automatska vožnja. Za razliku od kompresije oblaka tačaka u jednom kadru, kompresija oblaka tačaka u više okvira daje prednost korištenju vremenske korelacije, kao i procjeni pokreta i kompenzaciji. Postojeće metode za kompresiju oblaka tačaka u više okvira mogu se podijeliti u dvije kategorije: 2D projekcija i 3D dekorelacija.
   Područje kompresije slike i videa je opsežno i dobro je istraženo u posljednjih nekoliko decenija. Različiti algoritmi pretvaraju oblake tačaka u slike, a zatim ih direktno komprimiraju pomoću FFmpeg i H. 265 kodera, itd. AINALA i ostali[24] uvode aproksimativni način kodiranja planarne projekcije koji kodira i geometriju i atribute boja kroz rastersko skeniranje na ravni. . Međutim, ova metoda uzrokuje promjene u obliku cilja tokom procesa mapiranja, što otežava precizno međupredviđenje. Stoga, SCHWARZ et al.[25] i SEVOM et al.[26] predlažu metode rotirane planarne projekcije, projekcije kocke i metode projekcije zasnovane na zakrpama za pretvaranje oblaka tačaka u 2D video zapise. Postavljanjem sličnih projekcija u susjedne kadrove na istoj lokaciji u susjednim slikama, video kompresor može u potpunosti ukloniti vremensku korelaciju. U Ref. [27], međugeometrijsko predviđanje se provodi preko TSP-a, koji izračunava korespondenciju jedan-na-jedan susjednih unutar-blokova tražeći blok s najbližom prosječnom vrijednošću. MPEG je objavio tehnologiju kompresije oblaka tačaka zasnovanu na videu (V-PCC) za dinamičke oblake tačaka 2019. godine[28]. Ovaj okvir dijeli ulazni oblak tačaka na male blokove sa sličnim normalnim vektorima i neprekidnim prostorom, a zatim ih konvertuje u ravnu površinu kroz kocke kako bi zabilježio sliku zauzetosti i pomoćne informacije. Sve rezultirajuće slike se komprimiraju zrelim video kodecima, a svi bitstreamovi se sklapaju u jedan izlaz file. Učinjeni su i drugi pokušaji da se poboljša efikasnost ovih metoda. COSTA et al.[29] iskoristiti nekoliko novih strategija pakovanja zakrpa iz perspektive optimizacije za algoritam pakovanja, veze za pakovanje podataka, povezano sortiranje i indikatore pozicioniranja. Nadalje, PARK et al. [30] dizajniraju metodu pakiranja koja se prilagođava podacima koja adaptivno grupiše susjedne okvire u istu grupu prema strukturnoj sličnosti bez utjecaja na performanse V-PCC toka. Zbog neizbježnog gubitka informacija uzrokovanog projekcijom oblaka tačaka, naučnici su razvili efikasne tehnike za komprimiranje niza oblaka tačaka uzastopnih kadrova koristeći tehnologiju kompenzacije pokreta zasnovanu na 3D prostoru. KAMMERL et al.[31] predlaže metodu geometrijskog kodiranja zasnovanu na oktričnom stablu, koja postiže visoku efikasnost kompresije izvođenjem isključivih OR (XOR) razlika između susjednih okvira. Ova metoda nije usvojena samo u popularnoj biblioteci oblaka tačaka (PCL)[32], već se i široko koristi za dalja istraživanja algoritama. Drugi međuokvirni pristupi pretvaraju problem 3D procjene kretanja u problem podudaranja karakteristika[33] ili koriste rekonstruirane geometrijske informacije[34] za predviđanje vektora kretanja i precizno identificiranje odgovarajućeg odnosa između susjednih okvira. Nedavne eksplozivne studije[35 36] su pokazale da naučena video kompresija nudi bolje performanse izobličenja brzine u odnosu na tradicionalne, donoseći značajan referentni značaj kompresiji oblaka tačaka. ZHAO et al.[37] uvesti dvosmjernu mrežu za predviđanje između okvira za izvođenje predviđanja između okvira i efikasno korištenje relevantnih informacija u prostornim i vremenskim dimenzijama. KAYA et al. [38] dizajniraju novu paradigmu za kodiranje geometrijskih karakteristika sekvenci gustog oblaka tačaka, optimizujući CNN za procenu distribucije kodiranja kako bi se ostvarila kompresija oblaka gustog oblaka bez gubitaka.
   Uprkos napretku u tehnologiji kompresijskog kodiranja modela oblaka tačaka sa više okvira, i dalje postoje dva problema. Postojeći pristupi kompresije oblaka tačaka u više okvira uglavnom se oslanjaju na video kodiranje i kompenzaciju kretanja, što neizbježno uključuje gubitak informacija ili izobličenje uzrokovano mapiranjem i diskontinuitetom ruba bloka. Osim toga, prediktivno kodiranje pokazuje nisku primjenjivost zbog nedosljednosti geometrije oblaka tačaka između okvira. Očigledni pomak tačaka između okvira i neizbježni šum povećavaju poteškoće efektivnog korištenja prediktivnog kodiranja u kompresiji između okvira.

Predložena metoda kompresije oblaka tačaka geometrije bez gubitaka vođena prostorno-vremenskim kontekstom

Gotovoview
Ukupni cevovod našeg prostorno-vremenskog kontekstualno vođenog algoritma je prikazan na slici 1. Prvo, mi predobradimo ulazni oblak tačaka primjenom vokselizacije i transformacije skale. Zatim se oblak tačaka dijeli na slojeve jedinične debljine duž glavne ose. Zatim dizajniramo način predviđanja koji u potpunosti koristi informacije o vremenskoj i prostornoj korelaciji unutar okvira i unutar okvira. Izračunavamo najkraći put referentnih slojeva (R-slojeva) pomoću algoritama trgovačkog putnika, a rezultati R-slojeva se zatim koriste za prostorno-vremensko predviđanje i kodiranje ostatka oblaka tačaka, odnosno predviđenih slojeva (P-slojeva ). Konačno, usvojeni su poboljšani algoritmi entropijskog kodiranja kako bi se dobila komprimirana binarna datoteka file.

Image Hijerarhijska podjela zasnovana na rezovima

1. Prethodna obrada
   Modul za prethodnu obradu uključuje vokselizaciju i transformaciju skale, za bolje indeksiranje svake određene tačke. U vokselizaciji dijelimo prostor na kocke veličine N, što odgovara stvarnoj rezoluciji oblaka tačaka. Svakoj tački je dodeljen jedinstveni voksel na osnovu svoje pozicije. Voxel se snima kao 1; ako je pozitivno zauzet, u suprotnom je 0. Transformacija razmjera može smanjiti rijetkost radi bolje kompresije zumiranjem oblaka tačaka, gdje se udaljenost između tačaka smanjuje. Agregiramo koordinate oblaka tačaka ( x, y, z) koristeći faktor skaliranja s, tj.
   Da bismo osigurali kompresiju bez gubitaka, moramo osigurati da faktor skaliranja s ne može uzrokovati gubitak geometrije i da ga treba zabilježiti u zaglavlju file.
2. Podjela na slojeve
   Ovaj modul radi tako što dijeli 3D oblak tačaka duž jedne od njegovih osa, stvarajući nekoliko slojeva isečenih po jedinici sa samo zauzetim i nezauzetim informacijama koje se mogu dalje komprimirati pomoću prediktivnog kodera i aritmetičkog kodera. Funkcija je definirana kao:
   gdje se G odnosi na ulaznu koordinatnu matricu oblaka tačaka, os se odnosi na odabranu dimenziju, a S (a, b) je 2D isječak koji izdvaja svaki sloj. Općenito, provodimo eksperimente na velikom broju testnih sekvenci, a rezultati sugeriraju da podjela duž najduže ose prostorne varijacije oblaka tačaka daje najniži bitrate, tj.
3. Minimalna ekstrakcija graničnog okvira
   U većini slučajeva, on-zauzeti vokseli su tipično neizbježni i uvelike su brojniji od zauzetih voksela. Kao rezultat toga, obrada i kodiranje oba tipa voksela istovremeno opterećuje složenost računanja i brzine kodiranja algoritma kompresije. Stoga usvajamo orijentirani granični okvir (OBB) [39] za izračunavanje minimalnog graničnog okvira za svaki isječeni sloj, osiguravajući da su smjerovi graničnih okvira konzistentni u slojevima. U naknadnoj obradi, samo se vokseli koji se nalaze unutar ograničenog pravokutnika komprimiraju.

Prediktivno kodiranje vođeno prostornim kontekstom

Cilj prediktivnog kodiranja vođenog prostornim kontekstom je kodiranje svih tačaka sloj po sloj. Inspirisani TSP-om, dizajnirali smo način predviđanja kako bismo istražili potencijalne narudžbe i korelacije unutar svakog isječenog sloja. Ovaj modul se sastoji od particije i izračuna najkraće putanje.
Najprije dijelimo isječene slojeve i određujemo R-sloj i R-slojeve za svaku grupu. Prelazimo oblak tačaka sloj po sloj duž odabrane ose. Kada se dužina glavnog smjera minimalnog graničnog okvira između susjednih slojeva razlikuje za određenu jediničnu dužinu, ona se bilježi kao ista grupa. Inače se koristi kao referentni sloj sljedeće grupe, a svaki oblak tačaka u sljedećoj grupi koristi istu najkraću putanju. U ovom radu postavljamo prvi sloj svake grupe kao R-sloj, a ostale kao P-slojeve. Također provodimo eksperimente na velikom broju testnih serija i preporučujemo postavljanje ovog specificiranog parametra kao 3 jedinice kako bi se postigla najbolja kompresija.
Nakon toga vršimo proračun najkraće putanje na R-slojevima i bilježimo ostatke igrača. Prema regulaciji distribucije oblaka tačaka svakog sloja sloja, optimalno raspoređujemo nepravilne oblake tačaka za svaki sloj sloja na osnovu TSP algoritma. Ovo nam omogućava da efikasno izračunamo najkraći put do oblaka tačaka R-slojeva, a zatim snimimo ostatke odgovarajućih slojeva predviđanja. Algoritam 1 pokazuje pseudo-kod procedure predviđanja.

Prvo, definiramo pravilo izračuna udaljenosti između tačaka u lokalnom području i inicijaliziramo stanje putanje sa nasumično odabranom točkom pc1. U svakoj iteraciji, kad god se doda nova tačka pci, permutacija se dinamički ažurira kroz putanju jednadžbe tranzicije stanja (P – i, i) sve dok se sve dodane tačke ne zabilježe u P po redoslijedu najkraće staze. Ovaj proces se postepeno mijenja na osnovu kriterija minimalne udaljenosti. Nakon što su sve iteracije završene u ukupnom najkraćem putu, izračunavamo min dist(pci, pcj ) u svakom od R-slojeva, i vrati tablicu zapisa najkraće putanje oblaka tačaka u svakom od R-slojeva. Za daljnju kompresiju izračunavamo odstupanje P-slojeva od najkraćeg puta R-sloja unutar iste grupe i bilježimo ih kao prediktivne ostatke. Konačno, najkraći put Rlayer-a i reziduali svake grupe se izlaze i prosljeđuju entropijskom koderu kako bi dalje komprimirali ostatke predviđanja.

Prediktivno kodiranje vođeno prostorno-vremenskim kontekstom
Prostorno kontekstno vođen način predviđanja kodira
pojedinačni oblaci tačaka pojedinačno. Međutim, primjena prostornog kodiranja na svaki pojedinačni oblak tačaka zasebno može propustiti prilike koje su izložene vremenskim korelacijama u oblaku tačaka s više okvira. Uzimajući u obzir da oblak tačaka sa više okvira dijeli velike komade preklapanja, fokusiramo se na korištenje vremenske redundanse kako bismo dodatno poboljšali efikasnost kompresije. Stoga, na osnovu predloženog režima predviđanja vođenog prostornim kontekstom, možemo komprimirati oblak tačaka s više okvira identificiranjem korespondencije između susjednih slojeva u okviru okvira.

1. Inter-frame particija
   Da bi se poboljšala efikasnost načina predviđanja između okvira, ključno je osigurati adekvatnu sličnost između susjednih slojeva okvira. Kao rezultat toga, moramo podijeliti grupe između susjednih okvira i odrediti R-slojeve i P-slojeve preko okvira. Procjenom najkraćeg puta P-slojeva na osnovu najkraćeg puta R-slojeva, snimamo ostatke predviđanja i dalje ih kompresujemo kroz entropijski enkoder. Algoritam 2 pokazuje pseudokod particije između okvira.
   Na osnovu orijentacijskog poravnanja u isječenim slojevima, sukcesivno realizujemo grubu i finu particiju. Za grubu particiju, sortiramo isječene slojeve svakog okvira na osnovu koordinata koje odgovaraju osi podjele, od malih do velikih. Kao rezultat, svaki sloj sloja svakog okvira ima jedinstveni broj sloja, što nam omogućava da grubo podijelimo slojeve s istim brojem između susjednih okvira. Nakon toga, izračunavamo razliku između dužina glavne ose minimalnih graničnih okvira susjednih slojeva s istim brojem. Ako je ova vrijednost manja ili jednaka određenoj jedinici dužine, slojevi će biti podijeljeni u istu grupu. Inače, poredimo razliku u dužini ose glavnog pravca minimalnog graničnog okvira u odgovarajućem sloju susednog okvira sa navedenim slojem pre i posle broja u susednom okviru. Sloj sa najmanjom razlikom se zatim deli u istu grupu. Ovo osigurava finu particiju između susjednih slojeva, i tako da realizira finu particiju susjednog odnosa.
2. Prostorno-vremenski režim predviđanja vođen kontekstom
   Na osnovu particije, primjenjujemo i proširujemo način predviđanja naveden u Odjeljku 3.3. U proces uključujemo kontekst između okvira, što znači da prvi sloj svake grupe, koji služi kao R-sloj, ne mora nužno dati najbolji rezultat predviđanja. Da bismo u potpunosti istražili potencijalnu korelaciju između susjednih slojeva, moramo izložiti optimalni način predviđanja.
   Prvo, izračunavamo ostatke predviđanja za svaki isečeni sloj u trenutnoj grupi kada se koristi kao R-sloj. Uspoređujući ostatke predviđanja u svim slučajevima, odabiremo R-sloj s najmanjom apsolutnom rezidualnom vrijednošću kao najbolji način predviđanja. Za izračunavanje najkraće putanje R-sloja, koristimo algoritam trgovačkog putnika za izračunavanje najkraćeg puta R-slojeva u načinu najboljeg predviđanja. Štaviše, izračunavamo ostatke predviđanja za svaku grupu pod njihovim odgovarajućim najboljim načinima predviđanja. Također bilježimo dužinu zauzetosti i informacije o R-sloju svake grupe za dalju kompresiju u naknadnoj obradi. U sljedećoj operaciji koristimo aritmetičko kodiranje zasnovano na najboljem odabiru konteksta za gornje informacije kako bismo dovršili cijeli proces algoritma kompresije geometrije oblaka tačaka s više okvira.

Aritmetičko kodiranje zasnovano na kontekstualnom rječniku
Ogromna količina konteksta u oblaku tačaka značajno opterećuje ukupnu šemu kompresije u smislu računske složenosti aritmetičkog kodiranja. Poboljšavamo aritmetičko kodiranje iz sljedeća dva modula. 1) Postavljamo kontekstni rečnik, biramo i ažuriramo globalnu optimalnu vrednost prema proceni entropije, a zatim 2) usvajamo adaptivne enkodere za efikasno izračunavanje gornje i donje granice verovatnoće.

1. Konstrukcija kontekstnog rječnika
2. Konstruišemo kontekstni rečnik koji predstavlja trostruki red, koji se sastoji od koordinata oblaka tačaka na svakom isečenom sloju i celobrojnog prikaza njegovog odgovarajućeg nepraznog konteksta. Stoga povezujemo voksele sadržane u oblaku tačaka s minimalnim graničnim okvirom svakog sloja s njegovim nepraznim kontekstom. Da bismo jasno ilustrirali konstrukciju niza trostrukog reda u kontekstualnom rječniku, dajemo intuitivno objašnjenje na slici 2. Za dva osenčena kvadrata na slici 2, razmatraju se samo pozicije mape konteksta pc1 i pc2. Doprinos konteksta duž x-ose i y-ose snima se u dva reda QX – i QY – respektivno. Tako se kontekstni rečnik sastoji od QX – i QY –. Elementi reda sa istim koordinatama su integrisani u triplet, čija se kontekstualna celobrojna reprezentacija izračunava kao zbir kontekstnih doprinosa spojenog tripleta.
   Stoga se kontekst svakog voksela može izračunati kao zbir nezavisnih doprinosa zauzetih voksela u njegovom kontekstualnom rječniku. Ova struktura pomaže u određivanju da li voxel treba dodati u kontekstni rječnik bez zamornog traženja matrice, što rezultira značajnim smanjenjem računske složenosti i vremena izvođenja.
3. Proračun vjerovatnoće
   Da bi se izračunala vjerovatnoća entropije, moraju se uzeti u obzir i dužina niza i kontekst njegovih konstitutivnih voksela. U ovom modulu dizajniramo adaptivni koder koji prvo procjenjuje gornje i donje kumulativne granice vjerovatnoće za svaku grupu iz kontekstnog rječnika, a zatim ga kodira. Prije svega, konstruiramo binarno stablo bazirano na modelu Markovljevog lanca. Prelaskom po zauzetosti voksela, dodeljujemo vrednosti 1 i 0 zauzetim i praznim vokselima, respektivno, i izračunavamo verovatnoću na osnovu strukture stabla. Počevši od korijenskog čvora, kada je voksel zauzet, snimamo lijevi podređeni čvor kao 1. U suprotnom, označavamo desni podređeni čvor kao 0 i prelazimo na sljedeći korak prosuđivanja i podjele. Formula za proračun za vjerovatnoću pokretanja zauzetih voksela može se naći u jednadžbi. (4).

Za dužine pokretanja manje od ili jednake n, može postojati 2n čvorova stabla koji predstavljaju stanja zauzetosti voksela. Stoga je vjerovatnoća bilo kojeg zauzetog voksela predstavljena nezavisnom zajedničkom vjerovatnoćom prelaska svih stanja počevši od korijena i završavajući na bilo kojem čvoru stabla bez djece. Na osnovu jednadžbe. (4), da bismo izvršili aritmetičko kodiranje zauzetosti vokselske sekvence, potrebne su nam kumulativne gornje i donje vjerovatnoće sekvence, kao što je prikazano u jednadžbi. (5).

Koristeći ovaj pristup, možemo koristiti adaptivna svojstva aritmetičkog kodiranja da prilagodimo vrijednost procjene vjerovatnoće svakog simbola na osnovu optimizovanog modela procjene vjerovatnoće i učestalosti svakog simbola u trenutnoj sekvenci simbola. Ovo nam omogućava da izračunamo gornju i donju granicu kumulativne vjerovatnoće zauzetih voksela i završimo proces kodiranja.

Eksperimentiraj

Detalji implementacije

1. Skup podataka. Da bi se potvrdile performanse naše predložene metode, sprovedeni su opsežni eksperimenti na 16 skupova podataka oblaka tačaka koji se mogu preuzeti sa Ref. [40], kao što je prikazano na slici 3, na kojoj Sl. 3(a)–3(l) su portreti sa gustim tačkama, a Sl. 3(m) – 3(p) su arhitektura sa rijetkim tačkama. Fig. 3(a) – 3(h) su vokselizirani nizovi podataka oblaka tačaka gornjeg dijela tijela dvije prostorne rezolucije dobivene od Microsofta. Fig. 3(i)–3(l) se biraju od 8i vokseliziranih nizova podataka oblaka tačaka punih tijela. Preostali rijetki oblaci tačaka velikih razmjera na Sl. 3(k)– 3(p) su statički skupovi podataka o fasadi i arhitekturi.
2. metrika evaluacije. Performanse predložene metode se ocjenjuju u smislu bita po tački (BPP). BPP se odnosi na zbir bitova koje zauzimaju informacije o koordinatama pridružene tački. Što je niža vrijednost, to su bolje performanse. gdje Sizedig predstavlja broj bitova koje zauzimaju informacije o koordinatama podataka oblaka tačaka, a k se odnosi na broj tačaka u originalnom oblaku tačaka.
3. Benchmarks. Uglavnom upoređujemo našu metodu sa drugim osnovnim algoritmima, uključujući: PCL-PCC: kompresija zasnovana na octree u PCL-u; G-PCC (MPEG intra-koder test model) i interEM (MPEG interkoder test model) ciljaju na kompresiju oblaka tačaka jednog i više okvira; Silhouette 3D (S3D)[41] i Silhouette 4D (S4D)[42] ciljaju na kompresiju oblaka tačaka u jednom i više okvira.
   Za PCL, koristimo pristup kompresije oblaka tačaka osmo stabla u PCL-v1.8.1 samo za kompresiju geometrije. Postavili smo parametre rezolucije octree od preciznosti tačke i rezolucije voksela. Za G-PCC (TM13-v11.0) biramo geometriju bez gubitaka — stanje atributa bez gubitka u modusu predviđanja oktree, ostavljajući parametre kao zadane. Za interEM (tmc3v3.0), koristimo eksperimentalne rezultate u uslovima geometrije bez gubitaka i atributa bez gubitaka kao poređenje[43]. Za S3D
   i S4D, pratimo zadane uslove i parametre.
4. Hardver. Predloženi algoritam je implementiran u Matlabu i C++ koristeći neke funkcije PCL-v1.8.1. Svi eksperimenti su testirani na laptopu sa Intel Core i7-8750 CPU-om na 2.20 GHz sa 8 GB memorije.

Rezultati kompresije oblaka tačaka jednog okvira

1. Rezultati kompresije portreta nizova podataka gustog oblaka tačaka
   Tabela 1 pokazuje performanse naših algoritama kompresije geometrije oblaka tačaka bez gubitaka vođenih prostornim kontekstom u poređenju sa PCL-PCC, G-PCC i S3D metodama na portretima sekvenci podataka gustog oblaka tačaka. Iz Tabele 1 se može vidjeti da za sve oblake tačaka istih sekvenci, predložena metoda postiže najniži kompresijski BPP u odnosu na druge metode. Naš algoritam nudi prosječne dobitke od -1.56% do -0.02% u odnosu na S3D, i dobitke od -10.62% do -1.45% u odnosu na G-PCC. To pokazuje očigledniji advantage, odnosno povećanje performansi kompresije predloženog algoritma u rasponu od −10.62% do −1.45%; Za PCL-PCC, predloženi algoritam pokazuje skoro udvostručen dobitak na svim sekvencama, u rasponu od -154.43% do -85.39%.
2. Rezultati kompresije velikih razmjera rijetkih podataka oblaka tačaka
   Budući da S3D ne može raditi u ovom slučaju, upoređujemo samo naš algoritam kompresije oblaka tačaka geometrije bez gubitaka vođen prostornim kontekstom sa PCL-PCC i G-PCC metodama na velikim razmjernim rijetkim podacima oblaka tačaka. Opet, naš algoritam postiže značajne performanse sa G-PCC i PCL-PCC, kao što je prikazano u Tabeli 1. Rezultati su pokazali da su prosječni dobici BPP-a u rasponu od −8.84% do −4.35% uhvaćeni u poređenju sa G-PCC. Za PCL-PCC, naš predloženi algoritam pokazuje očigledniji prednosttages, sa dobicima u rasponu od −34.69% do −23.94%.
3. Rezime
   Da bi se pružilo razumljivije poređenje rezultata kompresije oblaka tačaka jednog okvira, Tabela 2 predstavlja prosječne rezultate između naše metode kompresije vođene prostornim kontekstom i drugih najsavremenijih metoda benčmarka. U poređenju sa S3D, naš predloženi metod pokazuje prosečne dobitke u rasponu od −0.58% do −3.43%. Što se tiče G-PCC i PCL-PCC, prosječni dobici postižu najmanje −3.43% i −95.03% respektivno. Eksperimentalna analiza otkriva da naš metod kompresije vođen prostornim kontekstom značajno prevazilazi trenutne S3D, G-PCC i PCL-PCC. Dakle, može zadovoljiti zahtjeve kompresije bez gubitaka geometrije oblaka tačaka za različite tipove scena, npr. guste ili rijetke distribucije, a efikasnost naše metode dosljedno ostaje.
4. Rezultati kompresije oblaka tačaka u više okvira
   Procjenjujemo naš predloženi algoritam kompresije geometrije oblaka tačaka vođen prostorno-vremenskim kontekstom u odnosu na postojeće algoritme kompresije kao što su S4D, PCL-PCC, G-PCC i interEM. U ovom eksperimentu se koriste samo portreti nizova podataka gustog oblaka tačaka. Rezultati su ilustrovani u.

Tabela 1. BPP poređenja našeg algoritma kompresije vođenog prostornim kontekstom i osnovnih metoda.

Tabela 2. BPP poređenje sa najsavremenijim algoritmima na podacima u oblaku tačaka jednog okvira.

Tabela 3. Kao što vidimo, nakon optimizacije u načinu predviđanja i aritmetičkom koderu, predloženi algoritam pokazuje superiornost na svim test sekvencama. Konkretno, u poređenju sa interEM i G-PCC, predloženi algoritam pokazuje značajne dobitke u rasponu od −51.94% do −17.13% i −46.62% do −5.7%, respektivno. U poređenju sa S4D, predloženi algoritam pokazuje snažno poboljšanje u rasponu od -12.18% do -0.33%. Što se tiče PCL-PCC, naš predloženi algoritam je skoro prepolovljen u svim test sekvencama.
Nadalje, sumiramo rezultate kompresije i dobitke predložene metode na sekvencama podataka gustog oblaka tačaka portreta, navedenih u Tabeli 4. U prosjeku, daje dobitke između -11.5% i -2.59% u poređenju sa prostornim kontekstom vođenim oblakom tačaka prethodno predloženi algoritam kompresije geometrije. Štaviše, pokazuje superiorne prosječne dobitke od -19% u poređenju sa G-PCC i postigao je prosječni dobitak kodiranja od -24.55% u poređenju sa interEM. Dodatno, u poređenju sa S3D i S4D, dobija više od -6.11% i -3.64% u prosjeku. Ukupna eksperimentalna analiza pokazuje da metoda kompresije oblaka tačaka vođena prostorno-vremenskim kontekstom može u potpunosti iskoristiti i prostornu i vremensku korelaciju susjednih slojeva unutar okvira unutar okvira i međuokvira. Takođe poboljšavamo izbor globalnog konteksta i model vjerovatnoće aritmetičkog enkodera kako bismo dobili nižu brzinu prijenosa. Predložena metoda nadmašuje performanse najsavremenijih algoritama, kako bi zadovoljila zahtjeve kompresije geometrije oblaka tačaka bez gubitaka u scenarijima multimedijalnih aplikacija kao što su dinamički portreti.

Tabela 3. Bit-per-point poređenja našeg prostorno-vremenskog kontekstualno vođenog algoritma kompresije i osnovnih metoda.

Tabela 4. Bit-per-point poređenje sa najsavremenijim algoritmima na podacima oblaka tačaka sa više okvira.

Ablation Study
Izvodimo studije ablacije na prediktivnom kodiranju preko 8i vokseliziranih nizova podataka oblaka tačaka cijelog tijela kako bismo demonstrirali efikasnost particije. Iz Tabele 5 se može vidjeti da poboljšanje pokazuje stabilan dobitak od −70% na kompresiji oblaka tačaka sa više okvira i −60% na kompresiji oblaka tačaka jednog okvira u odnosu na neparticiono prediktivno kodiranje.
Zatim izvodimo eksperiment ablacije na aritmetičkom kodiranju kako bismo demonstrirali učinkovitost rječnika konteksta. Kao što je prikazano u Tabeli 6, u našoj metodi je uočeno snažno poboljšanje od -33% kod kompresije oblaka tačaka u više okvira i od -41% kod kompresije oblaka tačaka jednog okvira u odnosu na aritmetičko kodiranje bez kontekstnog rječnika.

Potrošnja vremena
Testiramo utrošak vremena kako bismo procijenili složenost algoritma i uporedili predložene metode sa ostalima. Složenost algoritma analiziraju enkoderi i dekoderi nezavisno, navedeni u tabeli 7. Kao što vidimo, G-PCC, interEM i PCL-PCC mogu postići vrijeme kodiranja manje od 10 s i vrijeme dekodiranja manje od 5 s za podaci o oblaku tačaka gustog portreta. Oni također imaju dobre rezultate u velikim rijetkim podacima oblaka tačaka u poređenju s ostalima. Naši predloženi algoritmi trebaju oko 60 s i 15 s za kodiranje i dekodiranje portretnih sekvenci, čak i više na podacima u oblaku tačaka fasade i arhitekture. Postoji kompromis između bitrate-a i brzine kompresije. U poređenju sa S3D i S4D, za koje je potrebno stotine sekundi za kodiranje, naš metod koji oduzima mnogo vremena može pokazati superiornost.
Ukratko, potrošnja vremena naših predloženih metoda je srednja među svim upoređenim algoritmima, ali je još uvijek neophodna za dalje poboljšanje.

Zaključci

U ovom radu predlažemo prostorno-vremensku metodu vođenu kontekstom za kompresiju geometrije oblaka tačaka bez gubitaka. Razmatramo isečeni oblak tačaka debljine jedinice kao ulaznu jedinicu i usvajamo režim kodiranja sa predviđanjem geometrije zasnovan na algoritmu trgovačkog putnika, koji se primenjuje i na unutar-okvir i na inter-frame. Štaviše, u potpunosti koristimo informacije o globalnom kontekstu i prilagodljivi aritmetički koder zasnovan na brzom ažuriranju u kontekstu da bismo postigli rezultate kompresije i dekompresije oblaka tačaka bez gubitaka. Eksperimentalni rezultati pokazuju efikasnost naših metoda i njihovu superiornost u odnosu na prethodne studije. Za budući rad, planiramo dalje proučavanje ukupne složenosti algoritma, smanjenjem složenosti algoritma kako bi se postigla visoka brzina kompresije i rezultati kompresije niske brzine prijenosa. Niska brzina prijenosa i podržana metoda u realnom vremenu/malo kašnjenje je veoma poželjna u različitim tipovima scena.

Reference

1. MI XX, YANG BS, DONG Z, et al. Automatsko 3D izdvajanje i vektorizacija granica puta koristeći MLS oblake tačaka [J]. IEEE transakcije na inteligentnim transportnim sistemima, 2022, 23(6): 5287 – 5297. DOI: 10.1109/ TITS.2021.3052882
2. DONG Z, LIANG FX, YANG BS, et al. Registracija oblaka tačaka velikih zemaljskih laserskih skenera: a review i benchmark [J]. ISPRS časopis za fotogrametriju i daljinsku detekciju, 2020, 163: 327–342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. Gotovoview tekućih aktivnosti standardizacije kompresije oblaka tačaka: na osnovu videa (V-PCC) i geometrije (G-PCC) [J]. APSIPA transakcije o obradi signala i informacija, 2020, 9: e13
4. DE QUEIROZ RL, CHOU P A. Kompresija 3D oblaka tačaka pomoću hijerarhijske transformacije koja se prilagođava regionu [J]. IEEE transakcije o obradi slika, 2016, 25(8): 3947–3956. DOI: 10.1109/TIP.2016.2575005
5. BLETTERER A, PAYAN F, ANTONINI M, et al. Kompresija oblaka tačaka pomoću mapa dubine [J]. Elektronsko snimanje, 2016, 2016(21):1–6
6. MEKURIA R, BLOM K, CESAR P. Dizajn, implementacija i evaluacija kodeka u oblaku tačaka za tele-imerzivni video [J]. IEEE transakcije na kolima i sistemima za video tehnologiju, 2017, 27(4): 828 – 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL, CHOU P A. Kompresija dinamičkih vokselizovanih oblaka tačaka sa kompenzacijom kretanja [J]. IEEE transakcije o obradi slika, 2017, 26 (8): 3886–3895. DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. 3D kompresija oblaka tačaka: istraživanje [C]// 24. Međunarodna konferencija o 3D Web Tehnologija. ACM, 2019: 1–9. DOI: 10.1145/3329714.3338130
9. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. Gotovoview tekućih aktivnosti standardizacije kompresije oblaka tačaka: na osnovu videa (V-PCC) i geometrije (G-PCC) [J]. APSIPA transakcije o obradi signala i informacija, 2020, 9(1): e13. DOI: 10.1017/atsip.2020.12
10. HUANG Y, PENG JL, KUO CJ, et al. Kodiranje oblaka tačaka sa progresivnom geometrijom zasnovano na Octree [C]//Treća Eurographics/IEEE VGTC konferencija o grafici zasnovanoj na tačkama. IEEE, 3: 2016–103
11. FAN YX, HUANG Y, PENG J L. Kompresija oblaka tačaka zasnovana na hijerarhijskom grupisanju tačaka [C]// Godišnji samit i konferencija Azijsko-pacifičkog udruženja za obradu signala i informacija. IEEE, 2014: 1 – 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. Prilagodljiva supa trougla na više nivoa za kodiranje oblaka tačaka zasnovano na geometriji [C]//21. međunarodna radionica o obradi multimedijalnih signala (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, et al. Kompresija površine skupa tačaka zasnovana na analizi uzorka oblika [J]. Multimedijalni alati i aplikacije, 2017, 76(20): 20545–20565. DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al. Kompresija i dekompresija trodimenzionalnog oblaka tačaka korišćenjem polinoma prvog stepena [J]. Symmetry, 2019, 11(2): 209. DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX, et al. Novi algoritam kompresije oblaka tačaka zasnovan na grupisanju [J]. IEEE pisma o robotici i automatizaciji, 2019, 4(2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. Kodiranje geometrije statičkih 3D oblaka tačaka zasnovano na grafu [J]. IEEE transakcije na multimediji, 2019, 21(2): 284–299. DOI: 10.1109/TMM.2018.2859591
17. ISO. Kompresija oblaka tačaka zasnovana na geometriji (G-PCC): ISO/IEC 23090-9 [S]. 2021
18. DRICOT A, ASCENSO J. Kodiranje geometrije oblaka tačaka hibridnog oktabla i ravnine [C] // 27. evropska konferencija za obradu signala (EUSIPCO). IEEE, 2019: 1–5
19. ZHANG X, GAO W, LIU S. Implicitna geometrijska particija za kompresiju oblaka tačaka [C]//Proceedings of 2020 Data Compression Conference (DCC). IEEE, 2020: 73–82. DOI: 10.1109/DCC47342.2020.00015
20. QUACH M, VALENZISE G, DUFAUX F. Učenje konvolucionih transformacija za kompresiju geometrije oblaka tačaka sa gubicima [C]//Međunarodna konferencija IEEE o obradi slika (ICIP) 2019. IEEE, 2019: 4320–4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. Kompresija 3D geometrije oblaka tačaka na dubokom učenju [C]//27. Međunarodna konferencija ACM o multimediji. ACM, 2019: 890–898. DOI: 10.1145/3343031.3351061
22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. Kodiranje u oblaku tačaka: Usvajanje pristupa zasnovanog na dubokom učenju [C]//Picture Coding Symposium (PCS). IEEE, 2020: 1–5. DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z, et al. Kompresija geometrije naučenog oblaka tačaka [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. AINALA K, MEKURIA RN, KHATHARIYA B, et al. Poboljšani sloj poboljšanja za kompresiju oblaka tačaka zasnovanu na oktribu sa aproksimacijom ravnine projekcije [C]//SPIE Optički inženjering+Aplikacije. SPIE, 2016: 223–231. DOI: 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKOUR-SEVOM V, et al. 2D video kodiranje volumetrijskih video podataka [C]//Picture Coding Symposium (PCS). IEEE, 2018: 61–65. DOI: 10.1109/PCS.2018.8456265
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. Geometrijski vođena 3D interpolacija podataka za dinamičko kodiranje oblaka tačaka zasnovano na projekciji [C]//7. evropska radionica o obradi vizuelnih informacija (EUVIP). IEEE, 2019: 1–6. DOI: 0.1109/EUVIP.2018.8611760
27. KATHARIYA B, LI L, LI Z, et al. Kompresija geometrije dinamičkog oblaka tačaka bez gubitaka sa međukompenzacijom i predviđanjem trgovačkog putnika [C]// Konferencija o kompresiji podataka. IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO. Vizuelno volumetrijsko kodiranje zasnovano na videu (V3C) i kompresija oblaka tačaka zasnovana na videu: ISO/IEC 23090-5 [S]. 2021
29. PARK J, LEE J, PARK S, et al. Kodiranje karte zauzetosti zasnovano na projekciji za kompresiju 3D oblaka tačaka [J]. IEIE transakcije o pametnoj obradi i računarstvu, 2020, 9(4): 293–297. DOI: 10.5573/ieiespc.2020.9.4.293
30. COSTA A, DRICOT A, BRITES C, et al. Poboljšano pakovanje zakrpa za MPEG V-PCC standard [C]//IEEE 21. Međunarodna radionica o obradi multimedijalnih signala (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901690
31. KAMMERL J, BLODOW N, RUSU RB, et al. Kompresija tokova oblaka tačaka u realnom vremenu [C]//Proceedings of 2012 IEEE International Conference on Robotics and Automation. IEEE, 2012: 778 – 785. DOI: 10.1109/ICRA.2012.6224647
32. PCL. Biblioteka oblaka tačaka. [EB/OL]. [2023-09-01]. http://pointclouds.org/
33. THANOU D, CHOU PA, FROSSARD P. Kompresija dinamičkih 3D sekvenci oblaka tačaka zasnovana na grafu [J]. IEEE transakcije o obradi slika, 2016, 25(4): 1765–1778. DOI: 10.1109/TIP.2016.2529506
34. LI L, LI Z, ZAKHARCHENKO V, et al. Napredno 3D predviđanje kretanja za kompresiju atributa oblaka tačaka zasnovano na videu [C]//Konferencija kompresije podataka (DCC). IEEE, 2019: 498–507. DOI: 10.1109/DCC.2019.00058
    ZHAO LL, MA KK, LIN XH, et al. Kompresija LiDAR oblaka tačaka u realnom vremenu koristeći dvosmjerno predviđanje i kodiranje s pomičnim zarezom koje se prilagođava rasponu [J]. IEEE transakcije o emitiranju, 2022, 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP, LIU D, LI HQ, et al. M-LVC: Predviđanje više kadrova za naučenu video kompresiju [C]//IEEE/CVF konferencija o kompjuterskom vidu i prepoznavanju uzoraka. IEEE, 2020: 3543 – 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. YANG R, MENTZER F, VAN GOOL L, et al. Učenje za video kompresiju sa hijerarhijskim kvalitetom i periodičnim poboljšanjem [C]//IEEE/CVF konferencija o kompjuterskom vidu i prepoznavanju uzoraka. IEEE, 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. Kompresija sekvenci oblaka tačaka bez gubitaka koristeći CNN modele optimizovane sekvencom [J]. IEEE pristup, 2022, 10: 83678 –83691. DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. Orijentisana granična kutija i globalna detekcija interferencije zasnovana na oktarskom drvetu u 5-osnoj mašinskoj obradi površina slobodnog oblika [J]. Računarsko projektovanje, 2004, 36(13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM, et al. Sveobuhvatna studija performansi izobličenja brzine u MPEG kompresiji oblaka tačaka [J]. APSIPA transakcije o obradi signala i informacija, 2019, 8: e27. doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. Intra-frame kompresija geometrije oblaka tačaka koristeći dijadičnu dekompoziciju [J]. IEEE Signal Processing Letters, 2020, 27: 246–250. DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. Silueta 4D sa odabirom konteksta: kompresija geometrije dinamičkih oblaka tačaka bez gubitaka [J]. IEEE Signal Processing Letters, 2021, 28: 1660 – 1664. DOI: 10.1109/lsp.2021.3102525
42. ISO. Uobičajeni uslovi ispitivanja za G-PCC dokument N00106: ISO/IEC JTC 1/SC 29/WG 7 MPEG [S]. 2021

Biografije

• ZHANG Huiran diplomirala je i magistrirala na Fakultetu za geodeziju i geomatiku i Državnoj ključnoj laboratoriji za informatičko inženjerstvo u geodetskom kartiranju i daljinskom otkrivanju, oba na Univerzitetu Wuhan, Kina 2020. odnosno 2023. godine. Trenutno je geodet Guangzhou Urban Planning and Design Survey Research Institute, Kina. Njena istraživačka interesovanja uključuju obradu i kompresiju podataka u oblaku tačaka. Učestvovala je u nekoliko projekata vezanih za oblast daljinske detekcije i objavila jedan rad u Geomatici i informacionim naukama Univerziteta Wuhan.
• DONG Zhen (dongzhenwhu@whu.edu.cn) stekao je diplomu i doktorat iz daljinske detekcije i fotogrametrije na Univerzitetu Wuhan, Kina 2011. i 2018. godine. Profesor je u Državnoj ključnoj laboratoriji informatičkog inženjeringa u geodetskim pregledima, mapiranju i daljinskom otkrivanju (LIESMARS), Univerziteta Wuhan. Njegovi istraživački interesi uključuju 3D rekonstrukciju, razumijevanje scene, obradu oblaka tačaka kao i njihove primjene u inteligentnom transportnom sistemu, digitalnim gradovima blizancima, urbanom održivom razvoju i robotici. Osvojio je preko 10 priznanja na raznim nacionalnim i međunarodnim takmičenjima i objavio oko 60 radova u raznim časopisima i konferencijama.
  WANG Mingsheng diplomirao je na Fakultetu računarskih nauka i tehnologije na Univerzitetu Jilin, Kina 2001. godine, i ME diplomirao na Fakultetu računarskih nauka i inženjerstva na Tehnološkom univerzitetu Južne Kine, Kina 2004. godine. Trenutno je viši inženjer u Guangzhou Urban Planning & Design Survey Research Institute, Kina. Njegovi istraživački interesi obuhvataju kompjuterske aplikacije i softver, fiziografiju i geodetsko istraživanje. Osvojio je preko 20 priznanja na raznim nacionalnim takmičenjima i objavio oko 50 radova u raznim časopisima i konferencijama.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, objavljeno na mreži 8. novembra 2023
Rukopis primljen: 2023

Dokumenti / Resursi

ZTE vođeni algoritam za kompresiju geometrije oblaka tačaka bez gubitaka [pdf] Korisnički priručnik Vođeni algoritam za kompresiju geometrije oblaka tačaka bez gubitaka, vođeni, algoritam za kompresiju geometrije oblaka tačaka bez gubitaka, kompresiju geometrije oblaka tačaka bez gubitaka, kompresiju geometrije oblaka tačaka, kompresiju geometrije

Reference

• Uputstvo za upotrebu