Algoritmu guidatu ZTE per a cumpressione di geometria di nuvola di punti senza perdita

Specificazioni:

• Nome di u produttu: Algoritmu guidatu da u cuntestu spaziale-temporale per a cumpressione di geometria di nuvola di punti senza perdita
• Autori: ZHANG Huiran, DONG Zhen, WANG Mingsheng
• Publicatu: dicembre 2023
• DOI: 10.12142/ZTECOM.202304003

Istruzzioni per l'usu di u produttu

Introduzione:
U pruduttu hè pensatu per cumpressà in modu efficiente e dati di nuvola di punti, affruntendu e sfide relative à a capacità di spaziu di almacenamento è a larghezza di banda di trasmissione di rete.

Caratteristiche principali:

1. Modu di predizione applicabile à i nuvuli di punti intraframe è inter-frame utilizendu u prublema di venditore ambulante estensu.
2. Codificatore aritmeticu adattatu cù aghjurnamentu veloce di u cuntestu per un calculu di probabilità efficiente è risultati di compressione.

Passi d'usu:

Passu 1: Divide Point Clouds
Divide nuvole di punti in strati unità longu l'asse principale.

Passu 2: Modu di Previsione Design
Cuncepisce un modu di predizione utilizendu l'algoritmu di venditore ambulante per sfruttà e redundanze spaziali è temporali.

Passu 3: Encode Residuals
Scrivite i residuali in flussi di bit utilizendu un codificatore aritmeticu adattatu per u cuntestu per a compressione.

FAQ:

• Q: Chì sò i benefizii chjave di utilizà stu pruduttu?
  A: U pruduttu permette una cumpressione efficiente di dati di nuvola di punti, utilizendu correlazioni spaziali è temporali per risultati di cumpressione rinfurzati.
• Q: Stu pruduttu pò trattà sia nuvole di punti unicu è multi-frame?
  A: Iè, u modu di predizione hè applicabile à i nuvuli di punti intraframe è inter-frame, chì permettenu scenarii d'usu versatili.

ZHANG Huiran, DONG Zhen, WANG Mingsheng

1. Guangzhou Urban Planning and Design Survey Research Institute, Guangzhou 510060, Cina;
2. Guangdong Enterprise Key Laboratory for Urban Sensing, Monitor⁃ ing and Early Warning, Guangzhou 510060, China；
3. Laboratoriu Chjave Statale di Ingegneria di l'Informazione in Surveying Map⁃ ping and Remote Sensing, Università di Wuhan, Wuhan 430079, Cina)

Abstract: A cumpressione di nuvola di punti hè critica per implementà rappresentazioni 3D di u mondu fisicu cum'è a telepresenza immersiva 3D, a guida autònoma è l'eredità culturale.tage preservazione. Tuttavia, i dati di nuvola di punti sò distribuiti in modu irregulare è discontinuu in i domini spaziali è temporali, induve voxels unccupied redundants è correlazioni debuli in u spaziu 3D facenu di ottene una cumpressione efficiente un prublema sfida. In questu articulu, prupunemu un algoritmu guidatu da u cuntestu spaziu-temporale per a compressione di geometria di nuvola di punti senza perdita. U schema prupostu principia cù a divisione di a nuvola di punti in strati fette di grossu unità longu à l'assi più longu. Dopu, introduce un metudu di predizione induve sò dispunibuli nuvole di punti intraframe è inter-frame, determinendu e corrispondenze trà strati adiacenti è stimate u percorsu più curtu utilizendu l'algoritmu di venditore ambulante. Infine, i pochi residui di predizioni sò efficacimente compressi cù tecniche di codificazione aritmetica in modalità fastmode ottimali guidati da u cuntestu. L'esperimenti pruvucanu chì u metudu prupostu pò ottene in modu efficace una compressione senza perdita di bit rate di l'infurmazione geomètrica di nuvola di punti, è hè adattatu per a compressione di nuvola di punti 3D applicabile à vari tipi di scene.
Parole chjave: cumpressione di geometria di nuvola di punti; nuvole di punti unicu quadru; nuvole di punti multi-frame; codificazione predittiva; codificazione aritmetica.

Citation (Format 1): ZHANG HR, DONG Z, WANG M S. Algoritmu guidatu da u cuntestu spaziale-temporale per a compressione di geometria di nuvola di punti senza perdita [J]. ZTE Communications, 2023, 21(4): 17–28. DOI: 10.12142/ZTECOM.202304003
Citation (Format 2): HR Zhang, Z. Dong, è MS Wang, "Algoritmu guidatu da u cuntestu spaziale-temporale per a compressione di geometria di nuvola di punti senza perdita", ZTE Communications, vol. 21, nò. 4, pp 17-28, dicembre 2023. doi: 10.12142/ZTECOM.202304003.

 

Introduzione

Cù a migliione di e prestazioni di l'equipaggiu d'acquisizione multi-piattaforma è multi-risoluzione, a tecnulugia di rilevazione di luce è gamma (LiDAR) pò simule in modu efficiente l'uggetti 3D o sceni cù insemi di punti massivi. In cunfrontu cù e dati multimedia tradiziunali, i dati di nuvola di punti cuntenenu più informazioni fisiche di misurazione chì rapprisentanu l'uggetti da liberu viewpunti, ancu sceni cù strutture topologica cumplessu. Questu risultatu in forti effetti interattivi è immersivi chì furnisce l'utilizatori una sperienza di visualizazione viva è realistica. Inoltre, i dati di nuvola di punti anu una capacità anti-rumore più forte è una capacità di trasfurmazione parallela, chì pare avè guadagnatu attrazione da l'industria è l'accademia, in particulare per i domini di l'applicazione cum'è l'eredità culturale.tage preservazione, telepresenza immersiva 3D è guida automatica [1-2].
Tuttavia, i dati di nuvola di punti di solitu cuntenenu milioni à miliardi di punti in domini spaziali, purtendu carichi è sfide à a capacità di u spaziu di almacenamiento è a larghezza di banda di trasmissione di rete. Per esempiu, una nuvola di punti dinamica cumuna utilizata per l'intrattenimentu di solitu comprende circa un milione di punti per frame, chì, à 30 frames per seconda, ammonta à una larghezza di banda totale di 3.6 Gbit / s se lasciatu senza cumpressione [3]. Dunque, a ricerca nantu à l'algoritmi di compressione di geometria d'alta efficienza per i nuvuli di punti hà un valore teoricu è praticu impurtante.
U travagliu precedente affruntò stu prublema custruendu direttamente grids o down-s on demandampling, per via di limitazioni in a putenza di l'informatica di l'informatica è l'efficienza di a cullizzioni di nuvola di punti, chì hà risultatu in u rendiment di compressione spaziale-temporale bassu è a perdita di l'infurmazioni di e caratteristiche di l'attributu geomètrica. Studi recenti sò stati principarmenti basati nantu à gràfiche di computer è tecniche di trasfurmazioni di signali digitale per implementà operazioni di bloccu nantu à dati di nuvola di punti [4 5] o tecnulugia di codificazione video cumminata [6 7] per ottimisazione. In 2017, u Moving Picture Experts Group (MPEG) hà dumandatu pruposte per a compressione di nuvola di punti è hà purtatu discussioni sussegwente nantu à cumu cumpressà stu tipu di dati. Cù avvicinamenti crescente di cumpressione di nuvola di punti dispunibuli è presentati, i quadri di cumpressione di dati in nuvola di dui punti-TMC13 è TMC2 sò stati emessi in 2018. A ricerca sopra mostra un prugressu notevuli hè statu fattu in a tecnulugia di cumpressione di nuvola di punti. Tuttavia, i travaglii precedenti anu trattatu per suprattuttu a correlazione spaziale è temporale di i nuvuli di punti separatamente, ma ùn era micca ancu sfruttatu à u so pienu potenziale in a compressione di nuvole di punti.
Per affruntà e sfide sopra citate, introducemu un metudu guidatu da u cuntestu spaziale-temporale per a compressione di geometria di nuvola di punti senza perdita. Prima dividemu i nuvuli di punti in strati unità longu l'assi principali. Dopu cuncepemu un modu di predizione via un algoritmu di venditore ambulante, aduttendu a correlazione spazio-temporale. Infine, i residuali sò scritti in flussi di bit cun un codificatore aritmeticu adattatu à u cuntestu utilizatu. I nostri cuntributi principali sò i seguenti.
1) Avemu cuncepimentu - un modu di predizione applicabile à u nuvulu di punti intra-frame è inter-frame, via u prublema di venditore ambulante estensu (TSP). Approfittendu di e ridondanze spaziali è temporali di i nuvuli di punti, a predizione di geometria pò fà un megliu usu di a correlazione spaziale è dunque permette diversi tipi di scenarii.
2) Presentemu un codificatore aritmeticu adattativu cù un aghjurnamentu veloce di u cuntestu, chì selezziunate u cuntestu 3D ottimale da u dizziunariu di u cuntestu, è supprime l'aumentu di l'estimazione di l'entropia. In u risultatu, aumenta l'efficienza di calculu di probabilità di i codificatori d'entropia è dà risultati significativi di cumpressione.
U restu di stu documentu hè strutturatu cusì. A Sezione 2 dà un schema di u travagliu cunnessu nantu à a compressione di geometria di nuvola di punti. A sezione 3 presenta prima un sopraview di u quadru prupostu. Allora, u metudu prupostu hè discrittu in detail. I risultati sperimentali è e cunclusioni sò presentati in Sections 4 è 5, rispettivamente.

Travagliu Relativu

Ci sò stati parechji algoritmi di compressione di geometria di nuvola di punti pruposti in a literatura. CAO et al. [8] è GRAZIOSI et al. [9] cunduce una indagine è un riassuntu di i metudi di cumpressione di nuvola di punti attuali, cuncintrau in a tecnulugia di cumpressione di dimensione spaziale è i quadri di standardizazione MPEG rispettivamente. Avemu furnitu un brevi riview di sviluppi recenti in dui categurie: cumpressione di nuvola di punti unicu quadru è cumpressione di nuvola di punti multi-frame.

1. Cumpressione di nuvola di punti à un quadru
   Nuvole di puntu Single-frame sò largamente usata in sondaggi ingegneria, heri culturaletage preservazione, sistemi di infurmazione giugrafica, è altri scenarii. L'octree hè una struttura di dati largamente usata per rapprisintà in modu efficiente i nuvuli di punti, chì ponu esse cumpressi da l'infurmazioni di arregistramentu attraversu i nodi occupati. HUANG et al.[10] prupone un metudu octree-basatu chì subdivide recursivamente a nuvola di punti in nodi cù e so pusizioni rapprisintati da u centru geometticu di ogni unità. FAN et al.[11] migliurà ulteriormente stu metudu intruducendu l'analisi di cluster per generà un livellu di gerarchia di dettagliu (LOD) è codificà in un ordine di larghezza. Tuttavia, sti metudi ponu causà distorsioni per via di l'approssimazione di u mudellu originale durante u prucessu iterativu.
   Per affruntà queste limitazioni, i studiosi anu introduttu caratteristiche di struttura geomètrica, cum'è - u mudellu di superficia triangulare [12], u mudellu di superficia planare [13 14], è l'algoritmu di clustering [15], per a prediczione inter-strati è u calculu residuale. . RENTE et al.[16] prupone un cuncettu di cumpressione progressiva in strati chì prima usa a struttura octree per a codificazione di grana grossa è poi usa u graficu di trasformazione di Fourier per a compressione è a ricustruzzione di dettagli di nuvola. In u 2019, MPEG hà liberatu a tecnulugia di cumpressione di nuvola di punti basata in geometria (G-PCC) sia per nuvole di punti statiche sia dinamiche, chì hè implementata per mezu di trasfurmazioni di coordenate, voxelization, analisi di struttura geomètrica è codificazione aritmetica passu per passu [17].
   Siccomu certi ottanti in un octree ponu esse pocu populati o ancu vioti, certi metudi sò stati pruposti per ottimisà a struttura di l'arbulu pruning sub-nodes è dunque cunservà l'allocazione di memoria. Per esample, DRICOT et al. [18] prupone un modu di codificazione diretta inferitu (IDCM) per a terminazione di a partizione octree basatu nantu à e cundizioni predefinite di l'analisi di sparsità, chì implica a poda di a struttura octree per salvà i bits attribuiti à i nodi figlioli. ZHANG et al. [19] suggerenu di suddivide u spaziu di nuvola di punti longu cumpunenti principali è adattà u metudu di partizione da l'arburu binariu, quadtree è octree. In cunfrontu cù u partizionamentu tradiziunale di l'octree, i mudelli ibridi citati sopra ponu riduce in modu efficace u numeru di bits utilizati per rapprisintà punti sparse, per quessa, salvendu i nodi chì anu da esse codificati. In ogni casu, e cundizioni di iperparametri cumplessi è a determinazione di u modu sò richiesti in u prucessu, facendu difficiuli di risponde à i bisogni di l'autoadattazione è a bassa cumplessità.
   Cù e rete neurali prufonde chì facenu passi significativi in ​​a compressione di l'imaghjini è di i video, i circadori anu esploratu modi per riduce ulteriormente i ritmi di bit sfruttendu a super guida previa è a redundanza di l'espressione spaziale latente durante u prucessu di compressione. QUACH et al.[20] è HUANG et al.[21] prupone metudi chì incorpore sti cuncetti. GUARDA et al. combina reti neurali cunvoluzionali è autocodificatori per sfruttà a redundanza trà i punti adiacenti è rinfurzà l'adattabilità di codificazione in Ref. [22]. Recentemente, WANG et al. [23] prupone un metudu di cumpressione di nuvola di punti basatu annantu à l'auto-codificatore variazionale, chì migliurà u rapportu di compressione imparendu l'iperprior è riducendu u cunsumu di memoria di codificazione aritmetica. I metudi sopra citati utilizanu codificatori di rete neurali per catturà u vettore oculatu d'altu ordine di a nuvola di punti, e probabilità di mudellu di entropia, è e probabilità di u bordu chì si adattanu megliu, riducendu cusì u cunsumu di memoria di codificazione aritmetica. In generale, a ricerca nantu à a compressione geomètrica di nuvola di punti à un quadru hè relativamente matura, ma ci sò duie sfide chì restanu ancu. A correlazione spaziale ùn hè micca stata aduprata in modu efficace, è a maiò parte di i metudi ùn codificanu micca a correlazione di dati di nuvola di punti in modu cumpletu è efficiente. Inoltre, u calculu di u mudellu di probabilità per a codificazione di l'entropia pare longu è arduu per via di u numeru massivu di cuntesti.
2. Cumpressione Multi-Frame Point Cloud
   Nuvole di punti multi-frame sò cumunimenti aduprate in scenarii cum'è a telepresenza immersiva 3D in tempu reale, VR interattiva, 3D free viewtrasmissione puntuale è guida automatica. A cuntrariu di a cumpressione di nuvola di punti à un quadru, a cumpressione di nuvola di punti multi-frame dà priorità à l'usu di a correlazione di u tempu, è ancu a stima di u muvimentu è a compensazione. I metudi esistenti per a cumpressione di nuvola di punti multi-frame pò esse divisu in duie categurie: prughjezzione 2D è decorrelation 3D.
   U campu di cumpressione d'imaghjini è video hè estensivu è hè statu ben esploratu in l'ultimi decennii. Diversi algoritmi cunvertisce nuvole di punti in imaghjini è poi comprimenu direttamente da i codificatori FFmpeg è H. 265, etc. AINALA et al [24] introducenu un modu di codificazione approssimativa di proiezione planare chì codifica l'attributi di geometria è di culore attraversu scanning raster in u pianu. . Tuttavia, stu metudu provoca cambiamenti in a forma di destinazione durante u prucessu di mappatura, facendu difficiule l'interprevisione precisa. Dunque, SCHWARZ et al.[25] è SEVOM et al.[26] suggerenu a prughjezzione planare rotata, a prughjezzione di cubi è i metudi di prughjezzione basati in patch per cunvertisce nuvole di punti in video 2D, rispettivamente. Pudendu proiezioni simili in frames adiacenti in u stessu locu in l'imaghjini adiacenti, u compressore video pò sguassà cumplettamente a correlazione temporale. In Ref. [27], a prediczione inter-geometria hè realizata via TSP, chì calcula a currispundenza unu-à-unu di intra-blocchi adiacenti cerchendu u bloccu cù u valore mediu più vicinu. MPEG hà liberatu a tecnulugia di cumpressione di nuvola di punti basata in video (V-PCC) per i nuvuli di punti dinamichi in 2019[28]. Stu quadru divide a nuvola di punti di input in picculi blocchi cù vettori nurmali simili è spaziu cuntinuu, poi li cunvertisce à a superficia planar attraversu cubi per registrà l'imaghjini d'occupazione è l'infurmazioni ausiliari. Tutte l'imaghjini risultanti sò cumpressi da codec video maturi, è tutti i bitstreams sò assemblati in una sola output. file. Altri tentativi sò stati fatti per migliurà l'efficacità di sti metudi. COSTA et al.[29] sfruttà parechje strategie di imballaggio di patch novi da a perspettiva di l'ottimisazione per l'algoritmu di imballaggio, i ligami di imballaggio di dati, l'ordinamentu cunnessu è l'indicatori di posizionamentu. Inoltre, PARK et al. [30] cuncepisce un metudu di imballaggio adattatu per i dati chì raggruppa in modu adattatu i frames adiacenti in u stessu gruppu secondu a somiglianza strutturale senza affettà a prestazione di u flussu V-PCC. A causa di l'inevitabbile perdita di informazioni causata da a prughjezzione di nuvola di punti, i studiosi anu sviluppatu tecniche efficaci per cumpressà a sequenza di nuvola di punti di frames consecutivi cù a tecnulugia di compensazione di u muvimentu basatu in u spaziu 3D. KAMMERL et al.[31] prupone un metudu di codificazione geomètrica basatu in octree, chì ottene una alta efficienza di compressione eseguendu e differenze esclusive OR (XOR) trà frames adiacenti. Stu metudu ùn hè micca solu aduttatu in a populari Point Cloud Library (PCL) [32], ma ancu largamente utilizatu per più ricerche di l'algoritmi. Altri approcci interframe cunverte u prublema di stima di u muvimentu 3D in un prublema di currispundenza di funzioni [33] o utilizanu infurmazione geomètrica ricostruita [34] per predichendu i vettori di muvimentu è identificà a relazione currispondente trà frames adiacenti accuratamente. Studi splusivi recenti [35 36] anu dimustratu chì a cumpressione video amparata offre un rendimentu di distorsioni di freccia megliu nantu à quelli tradiziunali, purtendu un significatu significativu di riferimentu à a compressione di nuvola di punti. ZHAO et al.[37] Introduce una rete di prediczione inter-frame bidirezionale per eseguisce predizioni inter-frame è portà l'utilizazione efficace di l'infurmazioni pertinenti in dimensioni spaziali è temporali. KAYA et al. [38] cuncepisce un novu paradigma per codificà e caratteristiche geometriche di sequenze di nuvole di punti densi, ottimizendu a CNN per a stima di a distribuzione di codificazione per realizà a compressione senza perdita di nuvole di punti densi.
   Malgradu u prugressu in a tecnulugia di codificazione di cumpressione di mudelli di nuvola di punti multi-frame, persistanu dui prublemi. L'avvicinamenti di cumpressione di nuvola di punti multi-frame esistenti si basanu principarmenti nantu à a codificazione di video è a compensazione di u muvimentu, chì inevitabbilmente implica a perdita di l'infurmazioni o a distorsione causata da a mappatura è a discontinuità di u bordu di bloccu. Inoltre, a codificazione predittiva mostra una bassa applicabilità per via di l'inconsistenza di a geometria di nuvola di punti inter-frame. L'apparente offset di punti trà frames è u rumore inevitabbile aumenta a difficultà di utilizà in modu efficace a codificazione predittiva in cumpressione inter-frame.

Metudu di cumpressione di nuvola di punti di geometria senza perdita guidata in u cuntestu spaziale-temporale prupostu

Overview
U pipeline generale di u nostru algoritmu guidatu da u cuntestu spaziale-temporale hè mostratu in a figura 1. Prima, avemu preprocessatu u nuvulu di punti di input appiicando a voxelization è a trasfurmazioni di scala. Allora, u nuvulu di punti hè divisu in strati tagliati di unità di spessore longu à l'assi principale. In seguitu, cuncepemu un modu di predizione chì faci un usu pienu di l'infurmazioni di correlazione temporale è spaziale sia intra-frame sia inter-frame. Calculemu u percorsu più curtu di punti di strati di riferimentu (R-layers) via algoritmi di venditore ambulante, è i risultati di i strati R sò allora utilizati per predichendu spatiotemporally è codificà u restu di i nuvuli di punti, vale à dì i strati previsti (P-layers). ). Infine, l'algoritmi di codificazione di entropia mejorati sò aduttati per ottene u binariu cumpressu file.

Divisione Gerarchica Basata in Sliced ​​Image

1. Prucessu prima
   U modulu di pre-processamentu include voxelization è trasfurmazioni di scala, per una megliu indexazione di ogni certu puntu. In voxelization, dividemu u spaziu in cubi di taglia N, chì currisponde à a risuluzione attuale di a nuvola di punti. Ogni puntu hè assignatu un voxel unicu basatu annantu à a so pusizioni. Un voxel hè registratu cum'è 1; s'ellu hè pusitivu occupatu, hè 0 altrimenti. A trasfurmazioni di scala pò riduce a sparsità per una cumpressione megliu ingrandendu u nuvulu di punti, induve a distanza trà i punti diventa più chjuca. Aggregate e coordenate di nuvola di punti (x, y, z) utilizendu un fattore di scala s, ie,
   Per assicurà a compressione senza perdita, avemu bisognu di assicurà chì u fattore di scala s ùn pò micca causà perdita di geometria è deve esse registratu in l'intestazione. file.
2. Divisione di strati in fette
   Stu modulu travaglia dividendu u nuvulu di punti 3D longu unu di i so assi, creendu parechji strati di unità di fette cù informazioni occupate è micca occupate solu chì ponu esse più cumpressi cù un codificatore predittivu è un codificatore aritmeticu. A funzione hè definita cum'è:
   induve G si riferisce à a matrice di coordenate di nuvola di punti di input, l'assi si riferisce à a dimensione scelta, è S (a, b) hè a fetta 2D estratta da ogni capa. In generale, facemu esperimenti nantu à un gran numaru di sequenze di teste, è i risultati suggerenu chì a divisione longu l'assi più longu di a variazione spaziale di nuvola di punti rende u bitrate più bassu, vale à dì.
3. Estrazione minima di scatula di delimitazione
   In a maiò parte di i casi, i voxels occupati sò tipicamente inevitabbili è superano assai i voxels occupati. In u risultatu, l'elaborazione è a codificazione di i dui tipi di voxels carica simultaneamente a cumplessità computazionale è a velocità di codificazione di l'algoritmu di compressione. Dunque, adutemu a casella di delimitazione orientata (OBB) [39] per calculà a casella di delimitazione minima per ogni strata fetta, assicurendu chì e direzzione di e caselle di delimitazione sò coerenti à traversu strati. In u prucessu sussegwente, solu i voxels situati in u rectangulu ristrettu sò cumpressi.

Codificazione predittiva guidata da u cuntestu spaziale

L'obiettivu di a codificazione predittiva guidata da u cuntestu spaziale hè di codificà tutti i punti strata per strata. Ispirati da u TSP, cuncepemu un modu di predizione per spiegà l'ordine potenziale è a correlazione in ogni strata fetta. Stu modulu hè custituitu da a partizione è u calculu di a strada più corta.
À u principiu, particionemu i strati fette è determinanu a R-layer è R-layers per ogni gruppu. Traversemu a nuvola di punti strata per strata longu l'assi sceltu. Quandu a lunghizza di a direzzione principale di a casella minima di delimitazione trà i strati adiacenti difiere da una lunghezza unità specifica, hè arregistrata cum'è u stessu gruppu. Altrimenti, hè utilizatu cum'è a capa di riferimentu di u prossimu gruppu, è ogni nuvola di punti in u gruppu seguitu usa a stessa strada più corta. In questu documentu, avemu stabilitu a prima capa di ogni gruppu cum'è a R-layer, è l'altri cum'è P-layer. Avemu ancu fà esperimenti nantu à un gran numaru di teste di teste è ricumandemu di stabilisce stu paràmetru specificatu cum'è 3 unità per ottene a megliu compressione.
Dopu, cunducemu u calculu di a strada più corta nantu à i strati R è registremu i residuali di i Players. Sicondu a regulazione di distribuzione di u nuvulu di punti di ogni strata di fetta, organizemu in modu ottimale i nuvuli di punti irregulari per ogni strata di fetta basatu annantu à l'algoritmu TSP. Questu ci permette di calculà in modu efficiente u percorsu più curtu à a nuvola di punti di i strati R, è poi registrà i residuali di i strati di predizioni currispondenti. L'algoritmu 1 mostra u pseudo-codice di a prucedura di prediczione.

Prima, definiscemu a regula di calculu di distanza trà i punti in l'area lucale è inizializzamu u statu di u percorsu cù un puntu pc1 sceltu aleatoriamente. In ogni iterazione, ogni volta chì un novu puntu pci hè aghjuntu, a permutazione hè aghjurnata dinamicamente attraversu u percorsu di l'equazioni di transizione di u statu (P - i, i) finu à chì tutti i punti aghjuntu sò registrati in P in l'ordine di u percorsu più curtu. Stu prucessu hè mudificatu gradualmente basatu nantu à u criteriu di distanza minima. Dopu chì tutte l'iterazioni sò finite in u percorsu più curtu tutale, calculemu u min dist(pci, pcj ) in ognuna di e R-layer, è rinvià a tabella di registru di u percorsu più curtu di nuvole di punti in ognuna di e R-layer. Per più cumpressione, calculemu a deviazione di i P-layers da u percorsu più curtu di a R-layer in u stessu gruppu è li registramu cum'è residuali predittivi. Infine, u percorsu più curtu di u Rlayer è i residuali di ogni gruppu sò in uscita è passati à l'encoder d'entropia per cumpressà i residuali di prediczione più in più.

Spazio-Temporal Cuntestu-Guided Predictive Encoding
U modu di predizione guidata da u cuntestu spaziale codifica
nuvole di punti unicu quadru individualmente. Tuttavia, l'applicazione di a codificazione spaziale à ogni nuvola di punti à un quadru per separatamente pò mancate opportunità esposte da e correlazioni temporali in u nuvulu di punti multi-frame. Cunsiderendu chì a nuvola di punti multi-frame sparte grandi pezzi di sovrapposizioni, ci focalizemu nantu à l'usu di a ridondanza temporale per rinfurzà ulteriormente l'efficienza di compressione. Dunque, basatu annantu à u modu di predizione guidata da u cuntestu spaziale prupostu, pudemu cumpressà a nuvola di punti multiframe identificendu una corrispondenza trà strati adiacenti attraversu frames.

1. Spartizione inter-frame
   Per rinfurzà l'efficacità di u modu di predizione inter-frame, hè cruciale per assicurà una similitudine adatta trà strati adiacenti di frames. In u risultatu, avemu bisognu di sparte i gruppi trà frames adiacenti è determinà e R-layers è P-layers in frames. Stimandu u percorsu più curtu di i P-layers basatu annantu à u percorsu più curtu di i R-layers, registramu i residuali di predizioni è li comprimemu più à traversu l'encoder d'entropia. L'algoritmu 2 mostra u pseudocode di a partizione interframe.
   Basatu nantu à l'allineamentu di l'orientazione di strati fette, realicemu a partizione grossa è a partizione fine successivamente. Per a partizione grossa, sortemu i strati tagliati di ogni quadru basatu nantu à e coordenate chì currispondenu à l'assi di divisione, da petite à grande. In u risultatu, ogni strata di fette di ogni quadru hà un numeru di strati unicu, chì ci permette di sparte grossamente i strati di fette cù u listessu numeru trà frames adiacenti. Dopu, calculemu a diffarenza trà e lunghezze di l'assi principali di e scatuli di limitazione minimi di strati adiacenti cù u listessu numeru. Se stu valore hè menu o uguale à una unità di lunghezza specifica, i strati seranu spartuti in u stessu gruppu. Altrimenti, paragunemu a diffarenza in a lunghezza di l'assi di direzzione principale di a casella di limitazione minima in a capa currispondente di u quadru adiacente cù a capa specifica prima è dopu à u numeru in u quadru adiacente. A strata cù a più chjuca diferenza hè allora spartuta in u stessu gruppu. Questu assicura una partizione fina trà i strati adiacenti, è cusì per rializà a partizione fina di a relazione adiacente.
2. Modu di predizione guidata da u cuntestu spaziale-temporale
   Basatu nantu à a partizione, applichemu è espansione u modu di predizione citatu in a Sezione 3.3. Incorporamu u cuntestu inter-frame in u prucessu, chì significheghja chì a prima capa di ogni gruppu, chì serve cum'è a R-layer, ùn pò micca necessariamente dà u megliu risultatu di prediczione. Per spiegà cumplettamente a correlazione potenziale trà i strati adiacenti, avemu bisognu di espose u modu di predizione ottimali.
   Prima, calculemu i residuali di prediczione per ogni strata di fette in u gruppu attuale quandu s'utilice cum'è a strata R. Paragunendu i residuali di prediczione in tutti i casi, selezziunate a R-layer cù u valore residuale assolutu più chjucu cum'è u megliu modu di predizione. Per u calculu di a strada più corta R-layer, usemu l'algoritmu di u venditore ambulante per calculà a strada più corta di i strati R sottu u megliu modu di predizione. Inoltre, calculemu i residuali di prediczione per ogni gruppu sottu i so rispettivi modi di predizione megliu. Avemu ancu registratu a lunghezza di l'occupazione è l'infurmazioni R-layer di ogni gruppu per più compressione in u processamentu sussegwenti. In l'operazione di seguitu, usemu a codificazione aritmetica basatu nantu à a megliu selezzione di u cuntestu per l'infurmazioni sopra per compie u prucessu tutale di l'algoritmu di compressione di geometria di nuvola di punti multi-frame.

Codificazione Aritmetica Basata nantu à u Dizziunariu di u Cuntestu
A quantità massiva di cuntestu in nuvola di punti carica significativamente u schema generale di compressione in termini di cumplessità computazionale di codificazione aritmetica. Migliuremu a codificazione aritmetica da i dui moduli seguenti. 1) Avemu stabilitu un dizziunariu di cuntestu, è selezziunate è aghjurnà u valore ottimale globale secondu l'estimazione di l'entropia, è dopu 2) adoptemu codificatori adattativi per calculà in modu efficiente i limiti superiori è inferiori di probabilità.

1. Custruzzione di dizziunariu cuntestu
2. Custruemu un dizziunariu di cuntestu chì rapprisenta una fila tripla, custituita da coordenate di a nuvola di punti in ogni strata fetta è a rapprisintazioni intera di u so cuntestu currispundente micca vacanti. Cusì, associemu i voxels cuntenuti in u nuvulu di punti cù a casella di limitazione minima di ogni capa cù u so cuntestu micca vacanti. Per illustrà a custruzzione di l'array triple queue di u dizziunariu di u cuntestu chjaramente, demu una spiegazione intuitiva in a Fig. 2. Per i dui quadrati ombreggiati in a Fig. 2, solu i pusizioni di u cuntestu pc1 è pc2 sò cunsiderate. A cuntribuzione di u cuntestu longu l'assi x è l'assi y hè registrata à e duie file QX - è QY - rispettivamente. Cusì u dizziunariu cuntestu hè custituitu da QX - è QY -. Elementi di fila cù e stesse coordenate sò integrati in un triplet, a rapprisintazioni intera di u cuntestu di quale hè calculata cum'è a somma di i cuntributi di u cuntestu di u triplet fusionatu.
   Dunque, u cuntestu di ogni voxel pò esse calculatu cum'è a summa di e cuntribuzioni indipendenti di voxels occupati in u so dizziunariu di cuntestu. Questa struttura aiuta à determinà se un voxel deve esse aghjuntu à u dizziunariu di u cuntestu senza ricerche di matrici tediose, risultannu in una riduzione significativa di a cumplessità computazionale è di u runtime.
3. U calculu di probabilità
   Per calculà a probabilità di entropia, sia a durata di a sequenza è u cuntestu di i so voxels custituenti deve esse cunsideratu. In questu modulu, cuncepemu un codificatore adattativu chì prima stima i limiti di probabilità cumulativa superiore è inferiore per ogni gruppu da u dizziunariu di u cuntestu, è poi u codifica in seguitu. Prima di tuttu, custruemu un arbre binariu basatu annantu à u mudellu di a catena di Markov. Traversendu l'occupazione di voxels, assignemu valori di 1 è 0 à voxels occupati è vioti, rispettivamente, è calculate a probabilità basatu annantu à a struttura di l'arburu. Partendu da u node radicali, quandu un voxel hè occupatu, avemu registratu u node di u zitellu left cum'è 1. Altrimenti, marcamu u node di u zitellu ghjustu cum'è 0 è procedemu à u prossimu passu di ghjudiziu è divisione. A formula di calculu per a probabilità di run di voxels occupati pò esse truvata in Eq. (4).

Per lunghezze inferiori o uguali à n, pò esse 2n di nodi di l'arburu chì rapprisentanu i stati di occupazione di voxels. Dunque, a probabilità di qualsiasi voxel occupatu hè rapprisintata da a probabilità cumuna indipindente di traversà tutti i stati chì partenu da a radica è finiscinu in ogni nodu senza figliu di l'arbulu. Basatu nantu à Eq. (4), per eseguisce a codificazione aritmetica nantu à l'occupazione di a sequenza voxel, avemu bisognu di e probabilità cumulative di a sequenza, cum'è mostra in Eq. (5).

Utilizendu stu approcciu, pudemu utilizà e proprietà adattative di a codificazione aritmetica per aghjustà u valore di stima di probabilità di ogni simbulu basatu annantu à u mudellu di stima di probabilità ottimizzata è a frequenza di ogni simbulu in a sequenza di simboli attuale. Questu ci permette di calculà i limiti supiriori è inferiori di a probabilità cumulativa di voxels occupati è compie u prucessu di codificazione.

Sperimenta

Dettagli di implementazione

1. Dataset. Per verificà a prestazione di u nostru metudu prupostu, esperimenti estensivi sò stati realizati nantu à 16 datasets di nuvola di punti chì ponu esse scaricati da Ref. [40], cum'è mostra in Fig. 3, in quale Figs. 3 (a) - 3 (l) sò ritratti cù punti densi, è Figs. 3 (m) - 3 (p) sò architettura cù punti sparse. Fichi. 3 (a) - 3 (h) sò sequenze di dati di nuvola di punti di corpi superiori voxelizzati di duie risoluzioni spaziali ottenute da Microsoft. Fichi. 3 (i) - 3 (l) sò scelti da 8i sequenze di dati di nuvola di punti di corpi pieni voxelizzati. Nuvole di punti sparse à grande scala rimanenti in Figs. 3 (k) - 3 (p) sò datasets di facciata statica è architettura.
2. Metri di valutazione. U rendiment di u metudu prupostu hè evaluatu in termini di bit per puntu (BPP). U BPP si riferisce à a somma di bits occupati da l'infurmazione di coordenada attaccata à u puntu. U più bassu u valore, u megliu u rendiment. induve Sizedig rapprisenta u nùmeru di bit occupatu da l'infurmazione di coordenate di dati di nuvola di punti, è k si riferisce à u numeru di punti in u nuvulu di punti uriginale.
3. Benchmarks. Avemu principalmente paragunate u nostru metudu cù altri algoritmi di basa, cumpresi: PCL-PCC: compressione basata in octree in PCL; G-PCC (MPEG intra-coders test model) è interEM (MPEG inter-coders test model) miranu rispettivamente a compressione di nuvola di punti unicu è multi-frame; Silhouette 3D (S3D)[41] è Silhouette 4D (S4D)[42] miranu a cumpressione di nuvola di punti multi-frame, rispettivamente.
   Per PCL, usemu l'approcciu di cumpressione di nuvola di punti octree in PCL-v1.8.1 per a cumpressione di geometria solu. Avemu stabilitu paràmetri di risoluzione octree da a precisione di u puntu è a risoluzione di voxel. Per G-PCC (TM13-v11.0), scegliemu una geometria senza perdita -condizione di attributi senza perdita in un modu octree-predictive, lascendu i parametri predeterminati. Per interEM (tmc3v3.0), usemu i risultati sperimentali in geometria senza perdita è cundizioni di attributi senza perdita cum'è paragone [43]. Per S3D
   è S4D, seguitamu i cundizioni predeterminati è paràmetri.
4. Hardware. L'algoritmu prupostu hè implementatu in Matlab è C++ utilizendu alcune funzioni di u PCL-v1.8.1. Tutti l'esperimenti sò stati pruvati in un laptop cù CPU Intel Core i7- 8750 @ 2.20 GHz cù memoria 8 GB.

Risultati di Cumpressione di Nuvola di Puntu à Frame Single

1. Risultati di cumpressione di ritratti di sequenze di dati di nuvola di punti densi
   A Tabella 1 mostra a prestazione di i nostri algoritmi di compressione di geometria di nuvola di punti senza perdita guidati in u cuntestu spaziale cumparatu cù i metudi PCL-PCC, G-PCC è S3D nantu à ritratti di sequenze di dati di nuvola di punti densi. Pò esse vistu da a Tabella 1 chì per tutte e nuvole di punti di a listessa sequenza, u metudu prupostu ghjunghje à a compressione più bassa BPP cumparatu cù altri metudi. U nostru algoritmu offre un guadagnu mediu da -1.56% à -0.02% contru S3D, è guadagnà da -10.62% à -1.45% contru G-PCC. Mostra un avanzu più evidentitage, vale à dì, i guadagni di rendiment di cumpressione di l'algoritmu propositu varienu da -10.62% à -1.45%; Per PCL-PCC, l'algoritmu prupostu mostra un guadagnu quasi duppiatu in tutte e sequenze, chì varieghja da -154.43% à -85.39%.
2. Risultati di cumpressione di dati di nuvola di punti sparsi à grande scala
   Perchè u S3D ùn pò micca travaglià in questu casu, paragunemu solu u nostru algoritmu di compressione di nuvola di punti geometria senza perdita guidata da u cuntestu spaziale cù i metudi PCL-PCC è G-PCC nantu à dati di nuvola di punti sparse à grande scala. In novu, u nostru algoritmu ottene un rendimentu considerableu cù G-PCC è PCL-PCC, cum'è mostra in a Table 1. I risultati anu dimustratu chì i guadagni di BPP mediu chì varienu da - 8.84% à -4.35% sò catturati cumparatu cù G-PCC. Per PCL-PCC, u nostru algoritmu prupostu mostra un avanzu più evidentitages, cù guadagnà chì varieghja da -34.69% à -23.94%.
3. Riassuntu
   Per furnisce un paragone più comprensibile di i risultati di cumpressione di nuvola di punti di un quadru, a Tabella 2 presenta i risultati medii trà u nostru metudu di compressione guidata da u cuntestu spaziale è altri metudi di riferimentu di punta. Comparatu cù S3D, u nostru metudu prupostu mostra guadagnà mediu chì varieghja da - 0.58% à - 3.43%. In quantu à G-PCC è PCL-PCC, i guadagni medii ghjunghjenu almenu - 3.43% è -95.03% rispettivamente. L'analisi sperimentale revela chì u nostru metudu di compressione guidata in u cuntestu spaziale supera l'attuale S3D, G-PCC è PCL-PCC da un margine significativu. Cusì, pò suddisfà i requisiti di compressione senza perdita di a geometria di nuvola di punti per varii tipi di scena, per esempiu, distribuzioni densi o sparse, è l'efficacità di u nostru metudu ferma sempre.
4. Risultati di cumpressione multi-frame Point Cloud
   Evaluemu u nostru algoritmu di compressione di geometria di nuvola di punti guidata da u cuntestu spaziale-temporale prupostu contru l'algoritmi di compressione esistenti cum'è S4D, PCL-PCC, G-PCC è interEM. In questu esperimentu sò usati solu ritratti di sequenze di dati di nuvola di punti densi. I risultati sò illustrati in.

Tabella 1. Comparazioni BPP di u nostru algoritmu di compressione guidata da u cuntestu spaziale è i metudi di basa.

Tabella 2. BPP paraguni cù algoritmi di punta nantu à e dati di nuvola di punti unicu quadru.

Tabella 3. Comu pudemu vede, dopu ottimisazioni in modu di predizione è codificatore aritmeticu, l'algoritmu prupostu mostra superiorità in tutte e sequenze di teste. In particulare, paragunatu cù interEM è G-PCC, l'algoritmu prupostu mostra guadagnà significativu chì varieghja da -51.94% à -17.13% è -46.62% à -5.7%, rispettivamente. Comparatu cù S4D, l'algoritmu prupostu mostra una migliione robusta chì varieghja da -12.18% à -0.33%. In quantu à PCL-PCC, u nostru algoritmu prupostu hè quasi a mità di tutte e sequenze di teste.
Inoltre, riassumemu i risultati di cumpressione è i guadagni di u metudu prupostu nantu à e sequenze di dati di nuvola di punti densi di u ritrattu, listati in a Tabella 4. In media, furnisce guadagnà trà -11.5% è -2.59% cumparatu cù a nuvola di punti guidata da u cuntestu spaziale. Algoritmu di cumpressione di geometria prupostu prima. Inoltre, mostra un guadagnu mediu superiore di - 19% cumparatu cù G-PCC è hà ottenutu un guadagnu mediu di codificazione di -24.55% paragunatu à interEM. Inoltre, paragunatu cù S3D è S4D, guadagna più di -6.11% è -3.64% in media rispettivamente. L'analisi sperimentale generale mostra chì u metudu di cumpressione di nuvola di punti guidata da u cuntestu spaziale pò sfruttà pienamente a correlazione spaziale è temporale di strati adiacenti in intra-frame è inter-frame. Avemu ancu migliurà a selezzione di u cuntestu glubale è u mudellu di probabilità di l'encoder aritmeticu per ottene una velocità di bit più bassa. U metudu prupostu supera a prestazione di l'algoritmi di punta, per risponde à i requisiti di cumpressione senza perdita di geometria di nuvola di punti in scenarii di applicazioni multimediali cum'è ritratti dinamichi.

Tabella 3. Comparazioni bit-per-puntu di u nostru algoritmu di compressione guidata da u cuntestu spaziale-temporale è i metudi di basa.

Tabella 4. Comparazione bit-per-puntu cù algoritmi di punta nantu à e dati di nuvola di punti multi-frame.

Studiu di l'ablazione
Eseguimu studii di ablazione nantu à a codificazione predittiva nantu à sequenze di dati di nuvola di punti full-body 8i voxelized per dimustrà l'efficacità di a partizione. Pò esse vistu da a Tabella 5 chì a migliione mostra un guadagnu stabile di -70% nantu à a compressione di nuvola di punti multiframe è - 60% in a compressione di nuvola di punti di un quadru unicu contru à a codificazione predittiva senza partizione.
Dopu, facemu un esperimentu di ablazione nantu à a codificazione aritmetica per dimustrà l'efficacità di u dizziunariu di u cuntestu. Cum'è mostra in a Tabella 6, una robusta mellura di -33% in a compressione di nuvola di punti multi-frame è quella di -41% in a compressione di nuvola di punti di un quadru contra a codificazione aritmetica senza dizziunariu di cuntestu hè osservata in u nostru metudu.

Cunsumu di tempu
Testemu u cunsumu di tempu per valutà a cumplessità di l'algoritmu è paragunate i metudi pruposti cù l'altri. A cumplessità di l'algoritmu hè analizata da codificatori è decodificatori indipindentamente, listati in Table 7. Cumu pudemu vede, G-PCC, interEM è PCL-PCC ponu ottene un tempu di codificazione di menu di 10 s è un tempu di decodificazione di menu di 5 s per dati di nuvola di punti di densu ritrattu. Eseguinu ancu bè in dati di nuvola di punti sparsi à grande scala cumparatu cù l'altri. I nostri algoritmi pruposti piglianu circa 60 s è 15 s per codificà è decodificà e sequenze di ritratti, ancu più nantu à e dati di nuvola di punti di facciata è architettura. Ci hè un scambiu trà i bitrate è a velocità di compressione. Paragunatu cù S3D è S4D, chì piglianu centinaie di seconde per codificà, u nostru mètudu di tempu pò dimustrà superiorità.
In riassuntu, u cunsumu di tempu di i nostri metudi pruposti hè mediu trà tutti l'algoritmi paragunati, ma ancu necessariu per esse migliuratu.

Cunclusioni

In questu articulu, prupunemu un metudu guidatu da u cuntestu spaziu-temporale per a compressione di geometria di nuvola di punti senza perdita. Cunsideremu a nuvola di punti fette di spessore di unità cum'è l'unità di input è adoptemu u modu di codificazione predittiva di geometria basatu annantu à l'algoritmu di venditore ambulante, chì si applica à l'intra-frame è à l'inter-frame. Inoltre, facemu un usu cumpletu di l'infurmazioni di u cuntestu glubale è l'encoder aritmeticu adattativu basatu annantu à l'aghjurnamentu veloce di u cuntestu per ottene risultati di compressione è decompressione senza perdita di nuvole di punti. I risultati sperimentali dimustranu l'efficacità di i nostri metudi è a so superiorità annantu à studii precedenti. Per u travagliu futuru, pensamu di studià più a cumplessità generale di l'algoritmu, riducendu a cumplessità di l'algoritmu per ottene una velocità di compressione d'alta velocità è risultati di compressione di bassa velocità di bit. Un bassu bit rate è un metudu supportatu in tempu reale/bassu ritardu hè assai desideratu in diversi tipi di scene.

Referenze

1. MI XX, YANG BS, DONG Z, et al. Estrazione è vettorizazione automatizata di u cunfini stradale 3D utilizendu nuvole di punti MLS [J]. Transazzioni IEEE nantu à i sistemi di trasportu intelligenti, 2022, 23(6): 5287 - 5297. DOI: 10.1109/ TITS.2021.3052882
2. DONG Z, LIANG FX, YANG BS, et al. Registrazione di nuvole di punti di scanner laser terrestre à grande scala: a review è benchmark [J]. ISPRS journal of photogrammetry and remote sensing, 2020, 163: 327– 342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. Un sopraview di attività di standardizazione di cumpressione di nuvola di punti in corso: video-based (V-PCC) è geometria-based (G-PCC) [J]. Transazzioni APSIPA nantu à u trattamentu di u signale è di l'infurmazioni, 2020, 9: e13
4. DE QUEIROZ RL, CHOU P A. Cumpressione di nuvole di punti 3D utilizendu una trasformazione gerarchica adattativa à a regione [J]. Transazzioni IEEE nantu à u trattamentu di l'imaghjini, 2016, 25 (8): 3947-3956. DOI: 10.1109/TIP.2016.2575005
5. BLETTERER A, PAYAN F, ANTONINI M, et al. Cumpressione di nuvola di punti utilizendu carte di prufundità [J]. L'imaghjini elettronichi, 2016, 2016 (21): 1-6
6. MEKURIA R, BLOM K, CESAR P. Design, implementazione è valutazione di un codec di nuvola di punti per video tele-immersive [J]. Transazzioni IEEE nantu à circuiti è sistemi per a tecnulugia di video, 2017, 27(4): 828 - 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL, CHOU P A. Compressione compensata da u muvimentu di nuvole di punti dinamichi voxelized [J]. Transazzioni IEEE nantu à u trattamentu di l'imaghjini, 2017, 26 (8): 3886-3895. DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. Cumpressione di nuvola di punti 3D: un sondaghju [C]// A 24th International Conference on 3D Web Tecnulugia. ACM, 2019: 1-9. DOI: 10.1145/3329714.3338130
9. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. Un sopraview di attività di standardizazione di cumpressione di nuvola di punti in corso: video-based (V-PCC) è geometria-based (G-PCC) [J]. Transazzioni APSIPA nantu à u trattamentu di u signale è di l'infurmazioni, 2020, 9(1): e13. DOI: 10.1017/atsip.2020.12
10. HUANG Y, PENG JL, KUO CJ, et al. Codificazione di geometria progressiva basata in Octree di nuvole di punti [C]// A 3rd Eurographics/IEEE VGTC Conference on Point-Based Graphics. IEEE, 2016: 103–110
11. FAN YX, HUANG Y, PENG J L. Cumpressione di nuvola di punti basata nantu à u clustering di punti gerarchicu [C]//Asia-Pacific Signal and Information Processing Association Summit Annual and Conference. IEEE, 2014: 1 - 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. Zuppa di triangulu multi-livellu adattatu per a codificazione di nuvola di punti basata in geometria [C]//U 21st Workshop Internaziunale di Trattamentu di Signal Multimedia (MMSP). IEEE, 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, et al. Cumpressione di a superficia di u puntu basatu annantu à l'analisi di u mudellu di forma [J]. Strumenti è applicazioni multimediali, 2017, 76 (20): 20545-20565. DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al. Cumpressione di nuvola di punti tridimensionale è decompressione utilizendu polinomii di gradu unu [J]. Simetria, 2019, 11(2): 209. DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX, et al. Un novu algoritmu di cumpressione di nuvola di punti basatu nantu à clustering [J]. Lettere di robotica è automatizazione IEEE, 2019, 4(2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. Codifica geometria di nuvole di punti 3D statiche basate in grafici [J]. Transazzioni IEEE nantu à multimedia, 2019, 21 (2): 284-299. DOI: 10.1109/TMM.2018.2859591
17. ISO. Cumpressione di nuvola di punti basata in geometria (G-PCC): ISO/IEC 23090-9 [S]. 2021
18. DRICOT A, ASCENSO J. Hybrid octree-plane point cloud geometry coding [C]// The 27th European Signal Processing Conference (EUSIPCO). IEEE, 2019: 1–5
19. ZHANG X, GAO W, LIU S. Partizione di geometria implicita per a compressione di nuvola di punti [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. Learning cunvolutional transforms for lossy point cloud geometry compression [C]//The 2019 IEEE International Conference on Image Processing (ICIP). IEEE, 2019: 4320– 4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. Cumpressione di geometria di nuvola di punti 3D nantu à l'apprendimentu prufondu [C]//A 27th ACM International Conference on Multimedia. ACM, 2019: 890–898. DOI: 10.1145/3343031.3351061
22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. Point cloud coding: Adopting a deep learning-based approach [C]//Picture Coding Symposium (PCS). IEEE, 2020: 1-5. DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z, et al. Cumpressione di geometria di nuvola di punti appresa [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. AINALA K, MEKURIA RN, KHATHARIYA B, et al. Un stratu di rinfurzà megliu per a cumpressione di nuvola di punti basata in octree cù l'approssimazione di a proiezione di u pianu [C]//SPIE Ingegneria Ottica + Applicazioni. SPIE, 2016 : 223– 231. DOI : 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKOUR-SEVOM V, et al. Codificazione video 2D di dati video volumetrichi [C]//Picture Coding Symposium (PCS). IEEE, 2018: 61-65. DOI: 10.1109/PCS.2018.8456265
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. Interpolazione di dati 3D guidata da geometria per a codificazione di nuvola di punti dinamica basata nantu à a prughjezzione [C]//U 7th Workshop Europeu di Trattamentu di l'Informazione Visuale (EUVIP). IEEE, 2019: 1–6. DOI: 0.1109/EUVIP.2018.8611760
27. KATHARIYA B, LI L, LI Z, et al. Cumpressione di geometria di nuvola di punti dinamica senza perdita cù inter-compensazione è prediczione di venditore ambulante [C]// Conferenza di Cumpressione di Dati. IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO. Codificazione volumetrica visuale basata in video (V3C) è cumpressione di nuvola di punti basata in video: ISO/IEC 23090-5 [S]. 2021
29. PARK J, LEE J, PARK S, et al. Codificazione di mappa d'occupazione basata in proiezzione per a compressione di nuvola di punti 3D [J]. Transazzioni IEIE nantu à l'elaborazione intelligente è l'informatica, 2020, 9(4): 293-297. DOI: 10.5573/ieiespc.2020.9.4.293
30. COSTA A, DRICOT A, BRITES C, et al. Imballaggio di patch mejoratu per u standard MPEG V-PCC [C]//IEEE 21st Workshop Internaziunale nantu à l'elaborazione di signali multimediali (MMSP). IEEE, 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901690
31. KAMMERL J, BLODOW N, RUSU RB, et al. Cumpressione in tempu reale di flussi di nuvola di punti [C]//Proceedings of 2012 IEEE International Conference on Robotics and Automation. IEEE, 2012: 778 - 785. DOI: 10.1109/ ICRA.2012.6224647
32. PCL. Biblioteca di nuvola di punti. [EB/OL]. [2023-09-01]. http://pointclouds.org/
33. THANOU D, CHOU PA, FROSSARD P. Cumpressione basata in gràficu di sequenze dinamiche di nuvola di punti 3D [J]. Transazzioni IEEE nantu à u trattamentu di l'imaghjini, 2016, 25 (4): 1765-1778. DOI: 10.1109/TIP.2016.2529506
34. LI L, LI Z, ZAKHARCENKO V, et al. Predizione avanzata di u muvimentu 3D per a cumpressione di attributi di nuvola di punti basata in video [C]//Data Compression Conference (DCC). IEEE, 2019: 498–507. DOI : 10.1109/DCC.2019.00058
    ZHAO LL, MA KK, LIN XH, et al. Cumpressione di nuvola di punti LiDAR in tempu reale utilizendu prediczione bidirezionale è codificazione in virgola flottante adattativa per intervalli [J]. Transazzioni IEEE in broadcasting, 2022, 68(3): 620 - 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP, LIU D, LI HQ, et al. M-LVC: Previsione di fotogrammi multipli per a cumpressione video amparata [C]//IEEE/CVF Conferenza in Visione di Computer è Ricunniscenza di Pattern. IEEE, 2020: 3543 - 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. YANG R, MENTZER F, VAN GOOL L, et al. Apprendimentu per a cumpressione di video cù qualità gerarchica è rinfurzà ricorrenti [C]//IEEE/CVF Conferenza nantu à Visione Informatica è Ricunniscenza di Pattern. IEEE, 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. Cumpressione senza perdita di sequenze di nuvola di punti chì utilizanu mudelli CNN ottimizzati di sequenza [J]. Accessu IEEE, 2022, 10: 83678 -83691. DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. Casella di delimitazione orientata è rilevazione di interferenza globale basata in octree in a machining 5-axis of free-form surfaces [J]. Disegnu assistitu da computer, 2004, 36 (13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM, et al. Un studiu cumpletu di a prestazione di distorsioni di freccia in a compressione di nuvola di punti MPEG [J]. Transazzioni APSIPA nantu à u trattamentu di u signale è di l'infurmazioni, 2019, 8: e27. doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. Cumpressione intra-frame di geometria di nuvola di punti cù a decomposizione diadica [J]. IEEE Signal Processing Letters, 2020, 27: 246-250. DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. Silhouette 4D cù a selezzione di u cuntestu: cumpressione geometria senza perdita di nuvole di punti dinamichi [J]. IEEE Signal Processing Letters, 2021, 28: 1660 - 1664. DOI: 10.1109/ lsp.2021.3102525
42. ISO. Cundizioni di prova cumuni per u documentu G-PCC N00106: ISO/IEC JTC 1/SC 29/WG 7 MPEG [S]. 2021

Biografie

• ZHANG Huiran hà ricivutu i so diplomi BE è ME in Scola di Geodesia è Geomatica è Laboratoriu Chiave Statale di Ingegneria di l'Informazione in Surveying Mapping and Remote Sensing, tramindui da l'Università di Wuhan, Cina in 2020 è 2023, rispettivamente. Attualmente hè l'agrimensura di l'Istitutu di Ricerca di Studiu di Pianificazione Urbana è Design di Guangzhou, Cina. I so interessi di ricerca includenu l'elaborazione è a compressione di dati in nuvola di punti. Hà participatu à parechji prughjetti ligati à u campu di a telerilevazione è hà publicatu un documentu in Geomatics and Information Science di l'Università di Wuhan.
• dong Zhen (dongzhenwhu@whu.edu.cn) hà ricevutu i so diplomi BE è PhD in telerilevazione è fotogrammetria da l'Università di Wuhan, Cina in 2011 è 2018, rispettivamente. Hè un prufessore à u Laboratoriu Chiavi Statale di Ingegneria di l'Informazione in Surveying, Mapping and Remote Sensing (LIESMARS), Università di Wuhan. I so interessi di ricerca includenu a ricustruzzione 3D, a cunniscenza di a scena, l'elaborazione di nuvola di punti è e so applicazioni in u sistema di trasportu intelligente, e cità gemelle digitale, u sviluppu sustenibile urbanu è a robotica. Hà ricivutu più di 10 onori da diversi cuncorsi naziunali è internaziunali è hà publicatu circa 60 documenti in diverse riviste è cunferenze.
  WANG Mingsheng hà ricivutu u so diploma BE in College of Computer Science and Technology da Jilin University, Cina in 2001, è ME gradu in School of Computer Science and Engineering da South China University of Technology, China in 2004. Hè attualmente un ingegnere senior cù Guangzhou Urban Planning. & Design Survey Research Institute, Cina. I so interessi di ricerca includenu l'applicazioni è u software di l'informatica, a fisiografia è l'indagine. Hà ricivutu più di 20 onori da diverse cuncorsi naziunali è hà publicatu circa 50 documenti in diverse riviste è cunferenze.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, publicatu in linea l'8 di nuvembre di u 2023
Manuscrittu ricevutu: 2023-09-11

Documenti / Risorse

Algoritmu guidatu ZTE per a cumpressione di geometria di nuvola di punti senza perdita [pdfGuida di l'utente Algoritmu guidatu per a cumpressione di geometria di nuvola di punti senza perdita, guidata, algoritmu per a cumpressione di geometria di nuvola di punti senza perdita, cumpressione di geometria di nuvola di punti senza perdita, cumpressione di geometria di nuvola di punti, cumpressione di geometria

Referenze

• Manuale d'usu