אלגוריתם מודרך של ZTE לדחיסת גיאומטריית ענן נקודות ללא אובדן

מפרטים:

• שם המוצר: אלגוריתם מונחה מרחב-זמני לדחיסת גיאומטריית ענן נקודות ללא אובדן
• מחברים: ZHANG Huiran, DONG Zhen, WANG Mingsheng
• פורסם: דצמבר 2023
• DOI: 10.12142/ZTECOM.202304003

הוראות שימוש במוצר

מָבוֹא:
המוצר נועד לדחוס ביעילות נתוני ענן נקודות, תוך מענה לאתגרים הקשורים לקיבולת שטח אחסון ורוחב הפס של הרשת.

מאפיינים עיקריים:

1. מצב חיזוי חל על ענני נקודות תוך-פריים ואינטר-פריים באמצעות בעיית איש המכירות הנוסע המורחבת.
2. מקודד אריתמטי מסתגל עם עדכון הקשר מהיר לחישוב הסתברות יעיל ותוצאות דחיסה.

שלבי שימוש:

שלב 1: חלוקת ענני נקודות
מחלקים ענני נקודה לשכבות יחידות לאורך הציר הראשי.

שלב 2: מצב חיזוי עיצוב
עצב מצב חיזוי באמצעות אלגוריתם איש המכירות הנוסע כדי למנף יתירות מרחבית וזמנית.

שלב 3: קידוד שאריות
כתוב שאריות לתוך זרמי סיביות באמצעות מקודד אריתמטי מותאם להקשר לצורך דחיסה.

שאלות נפוצות:

• ש: מהם היתרונות העיקריים של השימוש במוצר זה?
  A: המוצר מאפשר דחיסה יעילה של נתוני ענן נקודות, תוך ניצול מתאמים מרחביים וזמניים לתוצאות דחיסה משופרות.
• ש: האם מוצר זה יכול להתמודד גם עם ענני נקודות חד-פריים וגם בענני נקודות מרובי פריים?
  A: כן, מצב החיזוי ישים גם בענני נקודות תוך-פריים וגם בענני נקודות בין-פריים, ומאפשר תרחישי שימוש מגוונים.

ZHANG Huiran, DONG Zhen, WANG Mingsheng

1. מכון המחקר לתכנון ערים ועיצוב של גואנגג'ואו, גואנגג'ואו 510060, סין;
2. Guangdong Enterprise Key Laboratory לחישה עירונית, ניטור ואזהרה מוקדמת, גואנגג'ואו 510060, סין;
3. מעבדת המפתח של המדינה להנדסת מידע במפת פינג וחישה מרחוק מדידות, אוניברסיטת ווהאן, ווהאן 430079, סין)

תַקצִיר: דחיסת ענן נקודות היא קריטית לפריסת ייצוגים תלת-ממדיים של העולם הפיזי, כגון נוכחות טלפונית תלת-ממדית, נהיגה אוטונומית ומורשת תרבות.tage שימור. עם זאת, נתוני ענן נקודות מופצים באופן לא סדיר ובאופן בלתי רציף בתחומים מרחביים וזמניים, שבהם ווקסלים לא תפוסים מיותרים ומתאמים חלשים בחלל תלת מימד הופכים השגת דחיסה יעילה לבעיה מאתגרת. במאמר זה, אנו מציעים אלגוריתם מונחה-הקשר מרחבי-זמני לדחיסת גיאומטריית ענן נקודות ללא אובדן. התוכנית המוצעת מתחילה בחלוקת ענן הנקודות לשכבות פרוסות של עובי יחידה לאורך הציר הארוך ביותר. לאחר מכן, היא מציגה שיטת חיזוי שבה ענני נקודות תוך-פריים וגם בין-מסגרת זמינים, על ידי קביעת התאמה בין שכבות סמוכות והערכת הנתיב הקצר ביותר באמצעות אלגוריתם איש המכירות הנוסע. לבסוף, שיורי החיזוי המעטים נדחסים ביעילות עם טכניקות קידוד אריתמטיות אופטימליות מונחות-הקשר והסתגלות. ניסויים מוכיחים שהשיטה המוצעת יכולה להשיג ביעילות דחיסה ללא אובדן של קצב סיביות נמוך של מידע גיאומטרי של ענן נקודות, והיא מתאימה לדחיסת ענן נקודות תלת מימדית החלה על סוגים שונים של סצנות.
מילות מפתח: דחיסת גיאומטריית ענן נקודה; ענני נקודות חד-פריים; ענני נקודות מרובי פריים; קידוד חזוי; קידוד אריתמטי.

ציטוט (פורמט 1): ZHANG HR, DONG Z, WANG M S. אלגוריתם מונחה הקשר מרחבי-זמני לדחיסת גיאומטריית ענן נקודות ללא אובדן [J]. ZTE Communications, 2023, 21(4): 17–28. DOI: 10.12142/ZTECOM.202304003
ציטוט (פורמט 2): HR Zhang, Z. Dong, ו-MS Wang," אלגוריתם מונחה-הקשר מרחבי-זמני לדחיסת גיאומטריית ענן נקודות ללא אובדן," ZTE Communications, vol. 21, לא. 4, עמ' 17–28, דצמבר 2023. doi: 10.12142/ZTECOM.202304003.

 

מָבוֹא

עם השיפור של ביצועי ציוד רכישה מרובת פלטפורמות ורב רזולוציות, טכנולוגיית זיהוי וטווחי אור (LiDAR) יכולה לדמות ביעילות אובייקטים או סצנות תלת מימדיות עם ערכות נקודות מסיביות. בהשוואה לנתוני מולטימדיה מסורתיים, נתוני ענן נקודות מכילים יותר מידע מדידה פיזי המייצג אובייקטים מחופשיים viewנקודות, אפילו סצנות עם מבנים טופולוגיים מורכבים. זה מביא לאפקטים אינטראקטיביים וסוחפים חזקים המספקים למשתמשים חווית הדמיה חיה ומציאותית. בנוסף, לנתוני ענן נקודות יש יכולת חזקה יותר נגד רעשים ויכולת עיבוד מקבילי, שנראה שזכו למשיכה מהתעשייה ומהאקדמיה, במיוחד עבור תחומי יישומים כמו היסטוריה תרבותיתtagשימור e, 3D immersive telepresence ונהיגה אוטומטית[1–2].
עם זאת, נתוני ענן נקודות מכילים בדרך כלל מיליוני עד מיליארדי נקודות בתחומים מרחביים, מה שמביא עומסים ואתגרים על קיבולת שטח האחסון ורוחב הפס של הרשת. לדוגמה, ענן נקודות דינמי נפוץ המשמש לבידור כולל בדרך כלל כמיליון נקודות לכל פריים, אשר, ב-30 פריימים לשנייה, מסתכם ברוחב פס כולל של 3.6 Gbit/s אם אינו דחוס[3]. לכן, למחקר על אלגוריתמי דחיסה של גיאומטריה ביעילות גבוהה עבור ענני נקודות יש ערך תיאורטי ומעשי חשוב.
עבודה קודמת התמודדה עם בעיה זו על ידי בנייה ישירה של רשתות או הורדות לפי דרישהampling, עקב מגבלות בכוח המחשוב של המחשב ויעילות איסוף ענן הנקודות, מה שהביא לביצועי דחיסה מרחבית-זמניים נמוכים ואובדן מידע על תכונות תכונות גיאומטריות. מחקרים אחרונים התבססו בעיקר על גרפיקה ממוחשבת וטכניקות עיבוד אותות דיגיטליות ליישום פעולות בלוק על נתוני ענן נקודתיים[4 5] או טכנולוגיית קידוד וידאו משולבת[6 7] לצורך אופטימיזציה. בשנת 2017, קבוצת מומחי התמונות הנעות (MPEG) ביקשה הצעות לדחיסת ענן נקודות וניהלה בהמשך דיונים כיצד לדחוס סוג זה של נתונים. עם הגישות הגדלות והולכות לדחיסת ענן נקודות זמינות ומוצגות, מסגרות דחיסת נתונים בענן דו-נקודתיות - TMC13 ו-TMC2 הוצאו בשנת 2018. המחקר לעיל מראה התקדמות מדהימה בטכנולוגיית הדחיסה של ענן נקודות. עם זאת, עבודה קודמת עסקה בעיקר בקשר המרחבי והזמני של ענני נקודות בנפרד, אך עדיין לא נוצלה במלוא הפוטנציאל שלהם בדחיסת ענן נקודתי.
כדי להתמודד עם האתגרים שהוזכרו לעיל, אנו מציגים שיטה מונחית הקשר מרחבי-זמני לדחיסת גיאומטריית ענן נקודות ללא אובדן. תחילה נחלק ענני נקודה לשכבות יחידות לאורך הציר הראשי. לאחר מכן אנו מתכננים מצב חיזוי באמצעות אלגוריתם איש מכירות נודד, על ידי אימוץ מתאם מרחבי-זמני. לבסוף, השאריות נכתבות לזרמי סיביות עם מקודד אריתמטי מנוצל להקשר. התרומות העיקריות שלנו הן כדלקמן.
1) אנו מתכננים- מצב חיזוי ישים גם לענן נקודות תוך-פריים וגם לענן נקודות בין-פריים, באמצעות בעיית המכירות המורחבת הנוסעים (TSP). על ידי מינוף הן היתירות המרחבית והן הזמנית של ענני נקודות, חיזוי הגיאומטריה יכול לעשות שימוש טוב יותר בקורלציה מרחבית ולכן לאפשר סוגים שונים של תרחישים.
2) אנו מציגים מקודד אריתמטי אדפטיבי עם עדכון הקשר מהיר, שבוחר את ההקשר התלת-ממדי האופטימלי ממילון ההקשר, ומדכא את העלייה של הערכת אנטרופיה. כתוצאה מכך, הוא משפר את יעילות חישוב ההסתברות של מקודדי אנטרופיה ומניב תוצאות דחיסה משמעותיות.
שאר מאמר זה בנוי באופן הבא. סעיף 2 נותן מתאר של עבודה קשורה על דחיסת גיאומטריית ענן נקודות. סעיף 3 מציג תחילה סיוםview של המסגרת המוצעת. לאחר מכן, השיטה המוצעת מתוארת בפירוט. תוצאות ומסקנות ניסויים מוצגות בסעיפים 4 ו-5, בהתאמה.

עבודה קשורה

היו אלגוריתמים רבים של דחיסה של גיאומטריית ענן נקודות שהוצעו בספרות. CAO et al. [8] ו-GRAZIOSI וחב'. [9] ערכו חקירה וסיכום של שיטות דחיסת ענן נקודות נוכחיות, תוך התמקדות בטכנולוגיית דחיסת ממדים מרחביים ובמסגרות סטנדרטיזציה של MPEG בהתאמה. אנו מספקים סקירה קצרהview של ההתפתחויות האחרונות בשתי קטגוריות: דחיסת ענן נקודות חד-פריים ודחיסת ענן נקודות מרובה פריים.

1. דחיסת ענן נקודתית חד פריים
   ענני נקודות חד-פריים נמצאים בשימוש נרחב בסקרים הנדסיים, היסטוריה תרבותיתtagשימור, מערכות מידע גיאוגרפיות ותרחישים אחרים. ה-octree הוא מבנה נתונים בשימוש נרחב לייצוג יעיל של ענני נקודות, אותם ניתן לדחוס על ידי הקלטת מידע דרך הצמתים התפוסים. HUANG et al.[10] הצע שיטה מבוססת אוטריות המחלקת באופן רקורסיבי את ענן הנקודות לצמתים כאשר מיקומם מיוצג על ידי המרכז הגיאומטרי של כל יחידה. FAN et al.[11] שפר עוד יותר שיטה זו על ידי הצגת ניתוח אשכולות ליצירת היררכיה של רמת פירוט (LOD) וקידוד אותה בסדר רוחב ראשון. עם זאת, שיטות אלו עלולות לגרום לעיוות עקב הקירוב של המודל המקורי במהלך התהליך האיטרטיבי.
   כדי להתמודד עם מגבלות אלה, חוקרים הציגו תכונות מבנה גיאומטריות, כגון – מודל המשטח המשולש[12], מודל המשטח המישורי[13 14], ואלגוריתם הקיבוץ [15], עבור חיזוי בין שכבות וחישוב שיורי . RENTE et al.[16] הצע קונספט של דחיסה פרוגרסיבית שכבתית המשתמשת תחילה במבנה octree עבור קידוד גס ולאחר מכן משתמשת בטרנספורמציה של פורייה הגרף לדחיסה ושחזור של פרטי ענן. בשנת 2019, MPEG הוציאה את טכנולוגיית דחיסת ענן נקודות מבוססת גיאומטריה (G-PCC) עבור ענני נקודות סטטיים ודינאמיים כאחד, המיושמת באמצעות טרנספורמציה של קואורדינטות, voxelization, ניתוח מבנה גיאומטרי וקידוד אריתמטי צעד אחר צעד[17].
   מכיוון שאוקטנטים מסוימים בתוך אוקטרי עשויים להיות מאוכלסים בדלילות או אפילו ריקים, הוצעו כמה שיטות לייעל את מבנה העץ על ידי גיזום תת-צמתים ולכן לשמר הקצאת זיכרון. למשלample, DRICOT et al. [18] מציעים מצב קידוד ישיר מסקנתי (IDCM) לסיום מחיצת ה-octree בהתבסס על תנאים מוגדרים מראש של ניתוח דלילות, הכולל חיתוך של מבנה ה-octree כדי לשמור ביטים שהוקצו לצמתי ילדים. ZHANG et al. [19] מציע לחלק את מרחב ענן הנקודות לאורך רכיבים עיקריים ולהתאים את שיטת החלוקה מהעץ הבינארי, ה-quadtree וה-octree. בהשוואה למחיצות ה-octree המסורתיות, הדגמים ההיברידיים שהוזכרו לעיל יכולים להפחית ביעילות את מספר הביטים המשמשים לייצוג נקודות דלילות, ולכן חוסכים צמתים שיש לקודד. עם זאת, נדרשים תנאי היפרפרמטר מורכבים וקביעת מצבים בתהליך, מה שמקשה לעמוד בדרישות של הסתגלות עצמית ומורכבות נמוכה.
   עם רשתות עצביות עמוקות שעושות צעדים משמעותיים בדחיסת תמונה ווידאו, חוקרים בחנו דרכים לצמצם עוד יותר את קצבי הסיביות על ידי מינוף הדרכה סופר קודמת ויתירות של ביטוי מרחב סמוי במהלך תהליך הדחיסה. QUACH et al.[20] ו-HUANG et al.[21] להציע שיטות המשלבות מושגים אלה. GUARDA וחב'. לשלב רשתות עצביות קונבולוציוניות ומקודדים אוטומטיים כדי לנצל יתירות בין נקודות סמוכות ולשפר את יכולת הסתגלות הקידוד ב-Ref. [22]. לאחרונה, WANG et al. [23] מציעים שיטת דחיסת ענן נקודות המבוססת על המקודד האוטומטי הווריאציאלי, המשפרת את יחס הדחיסה על ידי לימוד ההיפרפרורי והפחתת צריכת הזיכרון של קידוד אריתמטי. השיטות שהוזכרו לעיל משתמשות במקודדים של רשתות עצביות כדי ללכוד את הווקטור הנסתר בסדר גבוה של ענן הנקודות, הסתברויות מודל האנטרופיה והסתברויות הקצה שלהן מתאימות יותר, ובכך להפחית את צריכת הזיכרון של קידוד אריתמטי. באופן כללי, המחקר על דחיסה גיאומטרית של ענן נקודתי עם מסגרת בודדת בוגר יחסית, אך עדיין נותרו שני אתגרים. מתאם מרחבי לא נוצל ביעילות, ורוב השיטות אינן מקודדות את המתאם של נתוני ענן נקודות בצורה יסודית ויעילה. חוץ מזה, החישוב של מודל ההסתברות לקידוד אנטרופיה נראה ארוך ומפרך בגלל המספר העצום של הקשרים.
2. דחיסת ענן מרובת מסגרות
   ענני נקודות מרובי-פריים נמצאים בשימוש נפוץ בתרחישים כמו נוכחות טלפונית תלת-ממדית בזמן אמת, VR אינטראקטיבי, 3D חינם viewשידור נקודתי ונהיגה אוטומטית. בניגוד לדחיסת ענן נקודתית של מסגרת בודדת, דחיסת ענן נקודות מרובת מסגרות מעניקה עדיפות לשימוש בקורלציה בזמן, כמו גם הערכת תנועה ופיצוי. ניתן לחלק את השיטות הקיימות לדחיסת ענן רב-פריים לשתי קטגוריות: הקרנה דו-ממדית ודקורלציה תלת-ממדית.
   תחום דחיסת התמונות והווידאו הוא נרחב ונחקר היטב בעשורים האחרונים. אלגוריתמים שונים ממירים ענני נקודה לתמונות ולאחר מכן דוחסים אותם בצורה ישירה על ידי מקודדי FFmpeg ו-H. 265 וכו'. AINALA וחב'[24] מציגים מצב קידוד משוער של הקרנה מישורית המקודד הן גיאומטריה והן תכונות צבע באמצעות סריקת רסטר במישור . עם זאת, שיטה זו גורמת לשינויים בצורת המטרה במהלך תהליך המיפוי, מה שמקשה על חיזוי אינטראקציה מדויק. לכן, SCHWARZ וחב' [25] ו- SEVOM וחב' [26] מציעים שיטות הקרנה מישוריות מסתובבות, הקרנת קוביות ושיטות הקרנה מבוססות טלאים להמרת ענני נקודות לסרטוני 2D, בהתאמה. על ידי הצבת הקרנות דומות במסגרות סמוכות באותו מיקום בתמונות סמוכות, מדחס הווידאו יכול להסיר לחלוטין מתאם זמני. ב-Ref. [27], חיזוי בין-גיאומטריה מתבצע באמצעות TSP, אשר מחשב את ההתאמה האחד לאחד של בלוקים תוך-גומיים סמוכים על ידי חיפוש הבלוק עם הערך הממוצע הקרוב ביותר. MPEG הוציאה את טכנולוגיית דחיסת ענן נקודות (V-PCC) מבוססת וידאו עבור ענני נקודות דינמיים בשנת 2019[28]. מסגרת זו מחלקת את ענן נקודות הקלט לבלוקים קטנים עם וקטורים נורמליים דומים ומרחב רציף, ואז ממירה אותם למשטח המישורי באמצעות קוביות כדי להקליט את תמונת התפוסה ומידע עזר. כל התמונות המתקבלות נדחסות על ידי רכיבי Codec וידאו בוגרים, וכל זרמי הסיביות מורכבים לפלט יחיד file. נעשו ניסיונות נוספים לשפר את היעילות של שיטות אלו. COSTA et al.[29] נצל כמה אסטרטגיות אריזת טלאים חדשות מנקודת מבט של אופטימיזציה עבור אלגוריתם האריזה, קישורי אריזת נתונים, מיון קשור ומחווני מיקום. יתר על כן, PARK et al. [30] תכנן שיטת אריזה מותאמת לנתונים המקבצת באופן אדפטיבי מסגרות סמוכות לאותה קבוצה לפי הדמיון המבני מבלי להשפיע על הביצועים של זרם V-PCC. בשל אובדן המידע הבלתי נמנע שנגרם מהקרנת ענן נקודתי, חוקרים פיתחו טכניקות יעילות לדחיסת רצף ענן הנקודות של פריימים עוקבים באמצעות טכנולוגיית פיצוי תנועה המבוססת על מרחב תלת מימדי. KAMMERL וחב' [3] הצע שיטת קידוד גיאומטרית מבוססת אוקטרים, המשיגה יעילות דחיסה גבוהה על ידי ביצוע הבדלי OR (XOR) הבלעדיים בין מסגרות סמוכות. שיטה זו אומצה לא רק בספריית הענן הפופולרית (PCL)[31][32] אלא גם בשימוש נרחב למחקר אלגוריתמים נוסף. גישות אינטרפריים אחרות ממירות את בעיית הערכת התנועה התלת-ממדית לבעיית התאמת תכונות[3] או משתמשות במידע גיאומטרי משוחזר[33] כדי לחזות וקטורים של תנועה ולזהות את הקשר המתאים בין מסגרות סמוכות במדויק. מחקרים נפיצים אחרונים[34 35] הראו שדחיסת הווידאו הנלמדת מציעה ביצועים טובים יותר של עיוות קצב בהשוואה למסורתיים, מה שמביא משמעות התייחסות משמעותית לדחיסת ענן נקודות. ZHAO et al.[36] להציג רשת חיזוי בין-מסגרות דו-כיוונית לביצוע חיזוי בין-מסגרות ולהביא לניצול יעיל של מידע רלוונטי בממדים מרחביים וזמניים. KAYA וחב'. [37] תכנן פרדיגמה חדשה לקידוד תכונות גיאומטריות של רצפי ענני נקודות צפופים, תוך אופטימיזציה של ה-CNN להערכת התפלגות הקידוד כדי לממש דחיסה ללא אובדן של ענני נקודות צפופים.
   למרות ההתקדמות בטכנולוגיית קידוד הדחיסה של מודלים של ענן נקודות מרובי פריים, שתי בעיות נמשכות. הגישות הקיימות של דחיסת נקודות מרובת-פריים מסתמכות בעיקר על קידוד וידאו ופיצוי תנועה, אשר כרוך בהכרח באובדן מידע או עיוות הנגרם על ידי מיפוי ואי המשכיות בקצה החסימה. בנוסף, קידוד חזוי מפגין ישימות נמוכה עקב חוסר העקביות של גיאומטריית ענן נקודות בין-מסגרות. ההיסט הנראה של נקודות בין פריימים והרעש הבלתי נמנע מגבירים את הקושי להשתמש ביעילות בקידוד חזוי בדחיסת בין-פריים.

שיטת דחיסת נקודות ענן מוצעת מרחבית-זמנית מונחית-הקשר ללא אובדן גיאומטריה

מֵעַלview
הצינור הכולל של האלגוריתם מונחה ההקשר המרחבי-זמני מוצג באיור 1. ראשית, אנו מעבדים מראש את ענן נקודות הקלט על ידי יישום ווקסליזציה ושינוי קנה מידה. לאחר מכן, ענן הנקודות מחולק לשכבות פרוסות בעובי יחידה לאורך הציר הראשי. לאחר מכן, אנו מתכננים מצב חיזוי שעושה שימוש מלא במידע המתאם הזמני והמרחבי הן בתוך המסגרת והן בין המסגרת. אנו מחשבים את הנתיב הקצר ביותר של נקודות של שכבות ייחוס (שכבות R) באמצעות אלגוריתמים של איש מכירות נוסע, ולאחר מכן נעשה שימוש בתוצאות של שכבות R לניבוי מרחבי-זמני ולקודד את שאר ענני הנקודות, כלומר שכבות חזויות (שכבות P ). לבסוף, אלגוריתמי קידוד האנטרופיה המשופרים מאומצים כדי להשיג את הבינארי הדחוס file.

חלוקה היררכית מבוססת תמונה

1. עיבוד מקדים
   מודול העיבוד המקדים כולל voxelization ושינוי קנה מידה, לאינדקס טוב יותר של כל נקודה מסוימת. בvoxelization, אנו מחלקים את החלל לקוביות בגודל N, התואמת את הרזולוציה בפועל של ענן הנקודות. לכל נקודה מוקצה ווקסל ייחודי על סמך מיקומה. ווקסל נרשם כ-1; אם הוא תפוס באופן חיובי, הוא 0 אחרת. טרנספורמציה בקנה מידה יכולה להפחית את הדלילות לדחיסה טובה יותר על ידי התרחקות של ענן הנקודות, שבו המרחק בין נקודות הולך וקטן. אנו צוברים את קואורדינטות ענן הנקודות (x, y, z) באמצעות גורם קנה מידה s, כלומר,
   כדי להבטיח דחיסה ללא אובדן, עלינו לוודא שגורם קנה המידה s אינו יכול לגרום לאובדן גיאומטריה ויש לרשום אותו בכותרת file.
2. חלוקת שכבה פרוסה
   מודול זה פועל על ידי חלוקת ענן הנקודות התלת מימד לאורך אחד הצירים שלו, יצירת מספר שכבות פרוסות ליחידה עם מידע תפוס ולא תפוס בלבד שניתן לדחוס עוד יותר באמצעות מקודד חזוי ומקודד אריתמטי. הפונקציה מוגדרת כך:
   כאשר G מתייחס למטריצת הקואורדינטות של ענן נקודת הקלט, הציר מתייחס לממד שנבחר, ו-S (a, b) הוא הפרוסה הדו-ממדית שחולצה על ידי כל שכבה. באופן כללי, אנו עורכים ניסויים על מספר רב של רצפי בדיקה, והתוצאות מצביעות על כך שחלוקה לאורך הציר הארוך ביותר של וריאציה מרחבית של ענן נקודות מניבה את קצב הסיביות הנמוך ביותר, כלומר
3. חילוץ מינימלי של תיבה תוחמת
   ברוב המקרים, ווקסלים בתפוסה הם בדרך כלל בלתי נמנעים ומספרם עולה בהרבה על ווקסלים תפוסים. כתוצאה מכך, עיבוד וקידוד של שני סוגי הווקסלים מעמיסים בו זמנית על המורכבות החישובית ומהירויות הקידוד של אלגוריתם הדחיסה. לכן, אנו מאמצים את התיבה התוחמת המכוונת (OBB) [39] כדי לחשב את התיבה התוחמת המינימלית עבור כל שכבה פרוסה, כדי להבטיח שהכיוונים של התיבות התוחמות יהיו עקביים על פני השכבות. בעיבוד שלאחר מכן, רק הווקסלים הממוקמים בתוך המלבן המוגבל נדחסים.

קידוד חזוי מונחה-הקשר מרחבי

המטרה של קידוד חזוי מונחה-הקשר מרחבי היא לקודד את כל הנקודות שכבה אחר שכבה. בהשראת ה-TSP, אנו מעצבים מצב חיזוי כדי לחקור את הסדרים הפוטנציאליים ואת המתאם בתוך כל שכבה פרוסה. מודול זה מורכב מחיצה וחישוב הנתיב הקצר ביותר.
בהתחלה, אנו מחלקים את השכבות הפרוסות וקובעים את שכבת ה-R וה-R עבור כל קבוצה. אנו חוצים את ענן הנקודה שכבה אחר שכבה לאורך הציר הנבחר. כאשר אורך הכיוון הראשי של התיבה התוחמת המינימלית בין שכבות סמוכות שונה באורך יחידה מוגדר, הוא נרשם כקבוצה זהה. אחרת, הוא משמש כשכבת ההתייחסות של הקבוצה הבאה, וכל ענן נקודות בקבוצה הבאה משתמש באותו הנתיב הקצר ביותר. במאמר זה, אנו מגדירים את השכבה הראשונה של כל קבוצה כשכבת R, ואת האחרות כשכבות P. אנו גם מבצעים ניסויים במספר רב של רצפי בדיקה וממליצים להגדיר פרמטר שצוין זה כ-3 יחידות כדי להשיג את הדחיסה הטובה ביותר.
לאחר מכן, אנו עורכים את חישוב הנתיב הקצר ביותר על שכבות ה-R ורושמים את השאריות של שחקנים. על פי וויסות ההפצה של ענן הנקודות של כל שכבת פרוסה, אנו מסדרים בצורה אופטימלית את ענני הנקודות הבלתי סדירים עבור כל שכבת פרוסה בהתבסס על אלגוריתם TSP. זה מאפשר לנו לחשב ביעילות את הדרך הקצרה ביותר לענן הנקודות של שכבות ה-R, ולאחר מכן לתעד את השאריות של שכבות החיזוי המתאימות. אלגוריתם 1 מציג את הפסאודו-קוד של הליך החיזוי.

ראשית, אנו מגדירים את כלל חישוב המרחק בין נקודות באזור המקומי ומאתחלים את מצב הנתיב עם נקודה שנבחרה באקראי pc1. בכל איטרציה, בכל פעם שמתווסף נקודת pci חדשה, התמורה מתעדכנת באופן דינמי דרך נתיב משוואת מעבר המצב (P – i, i) עד שכל הנקודות שנוספו נרשמות ב-P בסדר הנתיב הקצר ביותר. תהליך זה משתנה בהדרגה בהתבסס על קריטריון המרחק המינימלי. לאחר השלמת כל האיטרציות במסלול הקצר ביותר, אנו מחשבים את המינימום dist(pci, pcj ) בכל אחת משכבות ה-R, ולהחזיר את טבלת הרשומות הנתיב הקצר ביותר של ענני נקודות בכל אחת משכבות ה-R. לדחיסה נוספת, אנו מחשבים את הסטייה של שכבות ה-P מהנתיב הקצר ביותר של שכבת ה-R בתוך אותה קבוצה ורושמים אותן כשירי חיזוי. לבסוף, הנתיב הקצר ביותר של ה-Rlayer והשאריות של כל קבוצה מופקות ומועברות למקודד האנטרופיה כדי לדחוס את שאריות החיזוי עוד יותר.

קידוד חזוי מונחה מרחב-זמני
מצב החיזוי מונחה ההקשר המרחבי מקודד
ענני נקודות חד-פריים בנפרד. עם זאת, החלת קידוד מרחבי על כל ענן נקודות של פריים בודד בנפרד עלולה להחמיץ הזדמנויות שנחשפות על ידי המתאמים הזמניים על פני ענן נקודות מרובה פריים. בהתחשב בכך שענן נקודות מרובה-פריים חולק חלקים גדולים של חפיפות, אנו מתמקדים בשימוש ביתירות זמנית כדי לשפר עוד יותר את יעילות הדחיסה. לפיכך, בהתבסס על מצב חיזוי מונחה ההקשר המרחבי המוצע, אנו יכולים לדחוס ענן נקודות מרובה מסגרות על ידי זיהוי התאמה בין שכבות סמוכות על פני מסגרות.

1. מחיצה בין-פריים
   כדי לשפר את האפקטיביות של מצב חיזוי בין-פריים, חיוני להבטיח דמיון הולם בין שכבות פריימים סמוכות. כתוצאה מכך, עלינו לחלק את הקבוצות בין מסגרות סמוכות ולקבוע את שכבות ה-R וה-P על פני מסגרות. על ידי הערכת הנתיב הקצר ביותר של שכבות ה-P בהתבסס על הנתיב הקצר ביותר של שכבות ה-R, אנו מתעדים את שיירי החיזוי ודוחסים אותם עוד יותר דרך מקודד האנטרופיה. אלגוריתם 2 מציג את הפסאודוקוד של מחיצת האינטרפריים.
   בהתבסס על יישור אוריינטציה של שכבות פרוסות, אנו מבינים מחיצה גסה ומחיצה עדינה ברציפות. עבור חלוקה גסה, אנו ממיינים את השכבות הפרוסות של כל מסגרת על סמך הקואורדינטות המתאימות לצירי החלוקה, מקטן לגדול. כתוצאה מכך, לכל שכבת פרוסה של כל מסגרת יש מספר שכבה ייחודי, המאפשר לנו לחלק גס את שכבות הפרוסות עם אותו מספר בין מסגרות סמוכות. לאחר מכן, אנו מחשבים את ההפרש בין אורכי הציר הראשי של התיבות התוחמות המינימליות של שכבות סמוכות עם אותו מספר. אם ערך זה קטן או שווה ליחידת אורך שצוינה, השכבות יחולקו לאותה קבוצה. אחרת, אנו משווים את ההבדל באורך ציר הכיוון הראשי של התיבה התוחמת המינימלית בשכבה המתאימה של המסגרת הסמוכה לשכבה שצוינה לפני ואחרי המספר במסגרת הסמוכה. לאחר מכן, השכבה עם ההפרש הקטן ביותר מחולקת לאותה קבוצה. זה מבטיח חלוקה עדינה בין שכבות סמוכות, וכדי לממש את המחיצה העדינה של מערכת היחסים הסמוכה.
2. מצב חיזוי מונחה הקשר מרחבי-זמני
   בהתבסס על המחיצה, אנו מיישמים ומרחיבים את מצב החיזוי המוזכר בסעיף 3.3. אנו משלבים הקשר בין-מסגרת בתהליך, כלומר השכבה הראשונה של כל קבוצה, המשמשת כשכבת ה-R, לא בהכרח תניב את תוצאת החיזוי הטובה ביותר. כדי לחקור באופן מלא את המתאם הפוטנציאלי בין שכבות סמוכות, עלינו לחשוף את מצב החיזוי האופטימלי.
   ראשית, אנו מחשבים את שאריות החיזוי עבור כל שכבה פרוסה בקבוצה הנוכחית כאשר משתמשים בה כשכבת R. על ידי השוואת שיירי החיזוי בכל המקרים, אנו בוחרים את שכבת ה-R עם הערך השיורי המוחלט הקטן ביותר כמצב החיזוי הטוב ביותר. עבור חישוב הנתיב הקצר ביותר בשכבת R, אנו משתמשים באלגוריתם איש המכירות הנוסע כדי לחשב את הנתיב הקצר ביותר מבין שכבות ה-R במצב החיזוי הטוב ביותר. יתר על כן, אנו מחשבים את שיירי החיזוי עבור כל קבוצה במצבי החיזוי הטובים ביותר שלהם. אנו מתעדים גם את אורך התפוסה ומידע שכבת R של כל קבוצה לצורך דחיסה נוספת בעיבוד שלאחר מכן. בפעולת המעקב, אנו משתמשים בקידוד אריתמטי המבוסס על בחירת ההקשר הטובה ביותר עבור המידע הנ"ל כדי להשלים את כל התהליך של אלגוריתם הדחיסה של גיאומטריית ענן נקודות מרובה מסגרות.

קידוד אריתמטי על בסיס מילון הקשר
כמות ההקשר העצומה בענן הנקודות מעמיסה משמעותית על סכימת הדחיסה הכוללת במונחים של מורכבות חישובית של קידוד אריתמטי. אנו משפרים את הקידוד האריתמטי משני המודולים הבאים. 1) אנו מקימים מילון הקשר, ובוחרים ומעדכנים את הערך האופטימלי הגלובלי בהתאם לאומדן האנטרופיה, ולאחר מכן 2) אנו מאמצים מקודדים אדפטיביים כדי לחשב ביעילות את הגבול העליון והתחתון של ההסתברויות.

1. בניית מילון הקשר
2. אנו בונים מילון הקשר המייצג תור משולש, המורכב מקואורדינטות של ענן הנקודות בכל שכבה פרוסה והייצוג השלם של ההקשר הלא ריק המתאים לו. לפיכך, אנו מקשרים את הווקסלים הכלולים בענן הנקודות עם התיבה התוחמת המינימלית של כל שכבה עם ההקשר הלא ריק שלה. כדי להמחיש את בניית מערך התורים המשולש של מילון ההקשר בצורה ברורה, אנו נותנים הסבר אינטואיטיבי באיור 2. עבור שני הריבועים המוצללים באיור 2, רק מיקומי מפת ההקשר pc1 ו- pc2 נחשבים. תרומת ההקשר לאורך ציר ה-x וציר ה-y נרשמת לשני התורים QX - ו-QY - בהתאמה. לפיכך מילון ההקשר מורכב מ-QX - ו-QY -. רכיבי תור עם אותן קואורדינטות משולבים בשלישייה, שהייצוג השלם של ההקשר שלה מחושב כסכום תרומות ההקשר של השלשה הממוזגת.
   לכן, ניתן לחשב את ההקשר של כל ווקסל כסכום התרומות העצמאיות של ווקסלים תפוסים במילון ההקשר שלו. מבנה זה עוזר לקבוע האם יש להוסיף ווקסל למילון ההקשר ללא חיפושי מטריצה ​​מייגעים, וכתוצאה מכך להפחתה משמעותית במורכבות החישובית ובזמן הריצה.
3. חישוב הסתברות
   כדי לחשב הסתברות אנטרופיה, יש לקחת בחשבון הן את אורך הרצף והן את ההקשר של הווקסלים המרכיבים אותו. במודול זה, אנו מתכננים מקודד אדפטיבי שאומד תחילה את גבולות ההסתברות המצטברים העליונים והתחתונים עבור כל קבוצה מתוך מילון ההקשר, ולאחר מכן מקודד אותה לאחר מכן. קודם כל, אנו בונים עץ בינארי על פי מודל שרשרת מרקוב. על ידי חציית התפוסה של ווקסלים, אנו מקצים ערכים של 1 ו-0 ל-Voxels תפוסים וריקים, בהתאמה, ומחשבים את ההסתברות על סמך מבנה העץ. החל מצומת השורש, כאשר ווקסל תפוס, אנו רושמים את צומת הילד השמאלי כ-1. אחרת, נסמן את הצומת הימני כ-0 ונמשיך לשלב הבא של שיפוט וחלוקה. ניתן למצוא את נוסחת החישוב להסתברות הריצה של ווקסלים תפוסים ב-Eq. (4).

עבור אורך ריצה קטן או שווה ל-n, עשויים להיות 2n של צמתי עצים המייצגים את מצבי התפוסה של ווקסלים. לכן, ההסתברות של כל ווקסל תפוס מיוצגת על ידי ההסתברות המשותפת העצמאית לחצות את כל המצבים שמתחילים בשורש ומסתיימים בכל צומת חסר ילדים של העץ. מבוסס על Eq. (4), כדי לבצע קידוד אריתמטי על התפוסה של רצף ה-voxel, אנו זקוקים להסתברויות העליונות והתחתונות המצטברות של הרצף, כפי שמוצג בהשוואה. (5).

תוך שימוש בגישה זו, אנו יכולים להשתמש במאפיינים האדפטיבים של קידוד אריתמטי כדי להתאים את ערך הערכת ההסתברות של כל סמל בהתבסס על מודל הערכת ההסתברות האופטימלית והתדירות של כל סמל ברצף הסמלים הנוכחי. זה מאפשר לנו לחשב את הגבול העליון והתחתון של ההסתברות המצטברת של ווקסלים תפוסים ולהשלים את תהליך הקידוד.

לְנַסוֹת

פרטי יישום

1. מערך נתונים. כדי לאמת את הביצועים של השיטה המוצעת שלנו, נערכו ניסויים נרחבים על 16 מערכי נתונים בענן נקודות שניתן להוריד מ-Ref. [40], כפי שמוצג באיור 3, בו איורים. 3(א)– 3(l) הם דיוקנאות עם נקודות צפופות, ואיורים. 3(מ) – 3(p) הם ארכיטקטורה עם נקודות דלילות. תאנים. 3(א) – 3(h) הם רצפי נתונים של ענן נקודות בגופים עליונים מסוג voxelized של שתי רזולוציות מרחביות שהתקבלו ממיקרוסופט. תאנים. 3(i)– 3(l) נבחרים מתוך 8i רצפי נתונים של ענן נקודות מלא voxelized. שנותרו ענני נקודות דלילים בקנה מידה גדול באיורים. 3(k)– 3(p) הם מערכי נתונים סטטיים של חזית וארכיטקטורה.
2. מדדי הערכה. הביצועים של השיטה המוצעת מוערכים במונחים של סיביות לנקודה (BPP). ה-BPP מתייחס לסכום הסיביות שנכבשו על ידי מידע הקואורדינטות המצורף לנקודה. ככל שהערך נמוך יותר, הביצועים טובים יותר. כאשר סידיג מייצג את מספר הסיביות שנכבשו על ידי מידע הקואורדינטות של נתוני ענן נקודות, ו-k מתייחס למספר הנקודות בענן הנקודות המקורי.
3. אמות מידה. אנו משווים בעיקר את השיטה שלנו עם אלגוריתמים בסיסיים אחרים, כולל: PCL-PCC: דחיסה מבוססת octree ב-PCL; G-PC (מודל בדיקה תוך-מקודדים MPEG) ו-interEM (מודל בדיקה בין-מקודדים MPEG) מכוונים לדחיסת ענן נקודות של מסגרת בודדת ורב-פריים בהתאמה; ה-Silhouette 3D (S3D)[41] ו-Silhouette 4D (S4D)[42] מכוונות לדחיסת ענן נקודות של פריים בודד ורב-פריים, בהתאמה.
   עבור PCL, אנו משתמשים בגישת דחיסת ענן Octree Point ב-PCL-v1.8.1 עבור דחיסת גיאומטריה בלבד. אנו מגדירים פרמטרים של רזולוציית octree מרמת דיוק נקודתית ורזולוציית ווקסל. עבור G-PCC (TM13-v11.0), אנו בוחרים בגיאומטריה ללא אובדן -מצב של תכונות חסרות הפסד במצב חיזוי אוקטרים, משאיר פרמטרים כברירת מחדל. עבור interEM (tmc3v3.0), אנו משתמשים בתוצאות הניסוי בתנאי גיאומטריה ללא אובדן ותנאי תכונות ללא אובדן כהשוואה[43]. עבור S3D
   ו-S4D, אנו פועלים לפי תנאי ברירת המחדל והפרמטרים.
4. חוּמרָה. האלגוריתם המוצע מיושם ב-Matlab וב-C++ תוך שימוש בכמה פונקציות של PCL-v1.8.1. כל הניסויים נבדקו במחשב נייד עם Intel Core i7- 8750 CPU @2.20 GHz עם זיכרון של 8 GB.

תוצאות של דחיסת ענן נקודתית חד-פריים

1. תוצאות דחיסה של דיוקנאות של רצפי נתוני ענן נקודות צפופים
   טבלה 1 מציגה את הביצועים של אלגוריתמי הדחיסה של גיאומטריית ענן נקודות ללא הפסדים מרחביים שלנו בהשוואה לשיטות PCL-PC, G-PC ו-S3D על דיוקנאות של רצפי נתונים צפופים של ענן נקודות. ניתן לראות מטבלה 1 כי עבור כל ענן הנקודות של אותם רצפים, השיטה המוצעת משיגה את BPP הדחיסה הנמוך ביותר בהשוואה לשיטות אחרות. האלגוריתם שלנו מציע רווחים ממוצעים של -1.56% עד -0.02% מול S3D, ורווחים מ -10.62% ל -1.45% מול G-PCC. זה מראה יתרון ברור יותרtagה, כלומר, עליות ביצועי הדחיסה של האלגוריתם המוצע נעים בין -10.62% ל -1.45%; עבור PCL-PCC, האלגוריתם המוצע מראה עלייה כמעט מוכפלת בכל הרצפים, הנע בין -154.43% ל -85.39%.
2. תוצאות דחיסה של נתוני ענן נקודות דל בקנה מידה גדול
   מכיוון שה-S3D לא יכול לעבוד במקרה זה, אנו משווים רק את אלגוריתם דחיסת הנקודות של ענן גיאומטריה חסרת אובדן מרחבית שלנו עם שיטות PCL-PC ו-G-PC על נתוני ענן נקודות דל בקנה מידה גדול. שוב, האלגוריתם שלנו משיג ביצועים ניכרים עם G-PC ו-PCL-PCC, כפי שמוצג בטבלה 1. התוצאות הראו שרווחי BPP ממוצעים שנעים בין -8.84% ל-4.35% נלכדים בהשוואה ל-G-PCC. עבור PCL-PCC, האלגוריתם המוצע שלנו מראה יתרון ברור יותרtages, עם עליות שנעות בין -34.69% ל -23.94%.
3. תַקצִיר
   כדי לספק השוואה מובנת יותר של תוצאות דחיסת ענן נקודת מסגרת בודדת, טבלה 2 מציגה את התוצאות הממוצעות בין שיטת הדחיסה המרחבית מונחית ההקשר שלנו לבין שיטות בנצ'מרק מתקדמות אחרות. בהשוואה ל-S3D, השיטה המוצעת שלנו מציגה רווחים ממוצעים הנעים בין -0.58% ל-3.43%. באשר ל-G-PC ו-PCL-PCC, הרווחים הממוצעים מגיעים לפחות -3.43% ו-95.03% בהתאמה. ניתוח ניסיוני מגלה ששיטת הדחיסה המרחבית מונחית ההקשר שלנו עולה בשיעור משמעותי על S3D, G-PC ו-PCL-PCC הנוכחיים. לפיכך, הוא יכול לספק את דרישות הדחיסה ללא הפסדים של גיאומטריית ענן נקודות עבור סוגי סצנות שונים, למשל, הפצות צפופות או דלילות, והיעילות של השיטה שלנו נשארת בעקביות.
4. תוצאות של דחיסת נקודות ענן מרובת מסגרות
   אנו מעריכים את אלגוריתם הדחיסה של גיאומטריית ענן נקודות מרחבית-זמנית המוצעת שלנו מול אלגוריתמי דחיסה קיימים כגון S4D, PCL-PCC, G-PCC ו-interEM. רק דיוקנאות של רצפי נתוני ענן נקודות צפופים משמשים בניסוי זה. התוצאות מומחשות ב.

טבלה 1. השוואות BPP של אלגוריתם הדחיסה המונחה בהקשר המרחבי ושיטות הבסיס.

טבלה 2. השוואת BPP עם אלגוריתמים חדישים על נתוני ענן נקודות חד-פריים.

טבלה 3. כפי שאנו יכולים לראות, לאחר אופטימיזציות במצב חיזוי ובקודד אריתמטי, האלגוריתם המוצע מראה עליונות בכל רצפי הבדיקה. באופן ספציפי, בהשוואה ל-interEM ו-G-PCC, האלגוריתם המוצע מציג רווחים משמעותיים הנעים בין -51.94% ל -17.13% ו -46.62% ל -5.7%, בהתאמה. בהשוואה ל-S4D, האלגוריתם המוצע מציג שיפור חזק שנע בין -12.18% ל -0.33%. לגבי PCL-PCC, האלגוריתם המוצע שלנו ירד כמעט בחצי בכל רצפי הבדיקה.
יתר על כן, אנו מסכמים את תוצאות הדחיסה והרווחים של השיטה המוצעת על רצפי נתוני ענן הנקודות הצפופים של הדיוקן, המפורטים בטבלה 4. בממוצע, היא מספקת רווחים בין -11.5% ל -2.59% בהשוואה לענן הנקודות מונחה ההקשר המרחבי אלגוריתם דחיסה של גיאומטריה שהוצע בעבר. יתרה מכך, הוא מציג רווחים ממוצעים מעולים של -19% בהשוואה ל-G-PCC והשיג רווח קידוד ממוצע של -24.55% בהשוואה ל-interEM. בנוסף, בהשוואה ל-S3D ו-S4D, הוא מרוויח יותר מ-6.11% ו-3.64% בממוצע בהתאמה. הניתוח הניסיוני הכולל מראה ששיטת דחיסת ענן נקודות מונחה מרחב-זמני יכולה לעשות שימוש מלא הן במתאם המרחבי והן בקורלציה הזמנית של שכבות סמוכות בתוך מסגרות תוך-מסגרות ואינטר-פריים. אנו גם משפרים את בחירת ההקשר הגלובלי ואת מודל ההסתברות של המקודד האריתמטי כדי להשיג קצב סיביות נמוך יותר. השיטה המוצעת עולה על הביצועים של אלגוריתמים חדישים, כדי לעמוד בדרישות של גיאומטריית ענן נקודות דחיסה ללא הפסדים בתרחישי יישומי מולטימדיה כגון פורטרטים דינמיים.

טבלה 3. השוואות סיביות לנקודה של אלגוריתם הדחיסה המונחה את ההקשר המרחבי-זמני ושיטות הבסיס.

טבלה 4. השוואה של סיביות לנקודה עם אלגוריתמים חדישים על נתוני ענן נקודות מרובי פריים.

מחקר אבלציה
אנו מבצעים מחקרי אבלציה על קידוד חזוי על פני רצפי נתונים של ענן נקודות מלא של 8i voxelized כדי להדגים את יעילות המחיצה. ניתן לראות מטבלה 5 שהשיפור מראה רווח יציב של -70% בדחיסת ענן נקודות מרובה פריים ו-60% בדחיסת ענן נקודות של פריים בודד מול הקידוד החזוי ללא מחיצה.
לאחר מכן, אנו מבצעים ניסוי אבלציה על קידוד אריתמטי כדי להדגים את היעילות של מילון ההקשר. כפי שמוצג בטבלה 6, שיפור חזק של -33% בדחיסת ענן נקודות מרובה מסגרות ושל -41% בדחיסת ענן נקודות של פריים בודד מול הקידוד האריתמטי ללא מילון הקשר נצפה בשיטה שלנו.

צריכת זמן
אנו בודקים את צריכת הזמן כדי להעריך את מורכבות האלגוריתם ולהשוות את השיטות המוצעות עם אחרות. מורכבות האלגוריתם מנותחת על ידי מקודדים ומפענחים באופן עצמאי, המפורטים בטבלה 7. כפי שאנו יכולים לראות, G-PCC, interEM ו-PCL-PCC יכולים להשיג זמן קידוד של פחות מ-10 שניות וזמן פענוח של פחות מ-5 שניות עבור נתוני ענן נקודות צפופים לאורך. הם גם מתפקדים היטב בנתוני ענן נקודות דל בקנה מידה גדול בהשוואה לאחרים. האלגוריתמים המוצעים שלנו לוקחים בערך 60 ו-15 שניות כדי לקודד ולפענח רצפי דיוקן, אפילו יותר על נתוני ענן חזית וארכיטקטורה. יש פשרה בין קצבי סיביות ומהירות דחיסה. בהשוואה ל-S3D ו-S4D, שלוקח מאות שניות להצפין, השיטה הגוזלת זמן שלנו יכולה להראות עליונות.
לסיכום, צריכת הזמן של השיטות המוצעות שלנו היא בינונית בין כל האלגוריתמים שהשוו אך עדיין נחוצה לשיפור נוסף.

מסקנות

במאמר זה, אנו מציעים שיטה מונחית הקשר מרחבי-זמני לדחיסת גיאומטריית ענן נקודות ללא אובדן. אנו מחשיבים ענן נקודות פרוס של עובי יחידה כיחידת הקלט ומאמצים את מצב הקידוד החזוי בגיאומטריה המבוסס על אלגוריתם איש המכירות הנוסע, אשר חל הן על התוך-מסגרת והן על האינטר-פריים. יתרה מכך, אנו עושים שימוש מלא במידע ההקשר הגלובלי ובמקודד האריתמטי ההסתגלני המבוסס על עדכון מהיר בהקשר כדי להשיג תוצאות דחיסה ופירוק נקודות ללא הפסדים של ענני נקודות. תוצאות ניסוי מדגימות את היעילות של השיטות שלנו ואת עדיפותן על פני מחקרים קודמים. לעבודה עתידית, אנו מתכננים להמשיך ולחקור את המורכבות הכוללת של האלגוריתם, על ידי הפחתת מורכבות האלגוריתם כדי להשיג קצב דחיסה מהיר ותוצאות דחיסה בקצב סיביות נמוך. קצב סיביות נמוך ושיטה נתמכת בזמן אמת/השהייה נמוכה רצוי מאוד בסוגים שונים של סצנות.

הפניות

1. MI XX, YANG BS, DONG Z, et al. חילוץ וקטוריזציה אוטומטית של גבול כביש בתלת מימד באמצעות ענני נקודות MLS [J]. עסקאות IEEE על מערכות תחבורה חכמות, 3, 2022(23): 6 – 5287. DOI: 5297/ TITS.10.1109
2. DONG Z, LIANG FX, YANG BS, ועוד. רישום ענני נקודות סורק לייזר יבשתיים בקנה מידה גדול: א review ובנצ'מרק [J]. יומן ISPRS של פוטוגרמטריה וחישה מרחוק, 2020, 163: 327– 342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. מעלview של פעילויות תקינה מתמשכות של דחיסת ענן נקודות: מבוסס וידאו (V-PCC) ומבוסס גיאומטריה (G-PCC) [J]. עסקאות APSIPA על עיבוד אותות ומידע, 2020, 9: e13
4. DE QUEIROZ RL, CHOU P A. דחיסה של ענני נקודות תלת מימדיים באמצעות טרנספורמציה היררכית מותאמת לאזור [J]. עסקאות IEEE על עיבוד תמונה, 3, 2016(25): 8–3947. DOI: 3956/TIP.10.1109
5. BLETTERER A, PAYAN F, ANTONINI M, et al. דחיסת ענן נקודות באמצעות מפות עומק [J]. הדמיה אלקטרונית, 2016, 2016(21):1–6
6. MEKURIA R, BLOM K, CESAR P. תכנון, הטמעה והערכה של codec ענן נקודות עבור וידאו טל-אימרסיבי [J]. עסקאות IEEE על מעגלים ומערכות לטכנולוגיית וידאו, 2017, 27(4): 828 – 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL, CHOU P A. דחיסה מפוצת תנועה של ענני נקודות דינמיים עם voxelized [J]. עסקאות IEEE על עיבוד תמונה, 2017, 26 (8): 3886–3895. DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. דחיסת ענן תלת מימד: סקר [C]// הכנס הבינלאומי ה-3 בנושא תלת מימד Web טֶכנוֹלוֹגִיָה. ACM, 2019: 1–9. DOI: 10.1145/3329714.3338130
9. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. מעלview של פעילויות תקינה מתמשכות של דחיסת ענן נקודות: מבוסס וידאו (V-PCC) ומבוסס גיאומטריה (G-PCC) [J]. עסקאות APSIPA על עיבוד אותות ומידע, 2020, 9(1): e13. DOI: 10.1017/atsip.2020.12
10. HUANG Y, PENG JL, KUO CJ, et al. קידוד גיאומטריה פרוגרסיבית מבוסס Octree של ענני נקודות [C]//The 3rd Eurographics/IEEE VGTC Conference on Point-Based Graphics. IEEE, 2016: 103–110
11. FAN YX, HUANG Y, PENG J L. דחיסת ענן נקודות המבוססת על צבירת נקודות היררכית [C]//Asia-Pacific Signal and Information Processing Association Summit and Conference. IEEE, 2014: 1 – 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. מרק משולשים רב רמות אדפטיבי עבור קידוד ענן נקודות מבוסס גיאומטריה [C]//הסדנה הבינלאומית ה-21 לעיבוד אותות מולטימדיה (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, et al. דחיסת פני השטח של סט נקודות מבוססת על ניתוח דפוסי צורה [J]. כלי מולטימדיה ויישומים, 2017, 76(20): 20545–20565. DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al. דחיסת ענן נקודות תלת מימדית ופירוק באמצעות פולינומים של מדרגה אחת [J]. Symmetry, 2019, 11(2): 209. DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX, et al. אלגוריתם חדש של דחיסת ענן נקודות המבוסס על אשכולות [J]. IEEE רובוטיקה ואוטומציה אותיות, 2019, 4(2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. קידוד גיאומטריה של ענני נקודות תלת מימדיים סטטיים המבוססים על גרפים [J]. עסקאות IEEE במולטימדיה, 3, 2019(21): 2–284. DOI: 299/TMM.10.1109
17. ISO. דחיסת ענן נקודות מבוססת גיאומטריה (G-PCC): ISO/IEC 23090-9 [S]. 2021
18. DRICOT A, ASCENSO J. קידוד גיאומטריית ענן נקודות היברידית במישור מתומן [C]//The European Signal Processing Conference (EUSIPCO) ה-27. IEEE, 2019: 1–5
19. ZHANG X, GAO W, LIU S. מחיצת גיאומטריה מרומזת עבור דחיסת ענן נקודות [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. לימוד טרנספורמציות קונבולוציוניות לדחיסת גיאומטריית ענן נקודות מאבדת [C]//כנס 2019 IEEE International Conference on Image Processing (ICIP). IEEE, 2019: 4320– 4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. דחיסת גיאומטריית ענן נקודות תלת-ממדית על למידה עמוקה [C]//הכנס הבינלאומי ה-3 של ACM בנושא מולטימדיה. ACM, 27: 2019–890. DOI: 898/10.1145
22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. קידוד ענן נקודות: אימוץ גישה מבוססת למידה עמוקה [C]//Picture Coding Symposium (PCS). IEEE, 2020: 1–5. DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z, et al. דחיסת גיאומטריית ענן נקודות נלמדת [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. AINALA K, MEKURIA RN, KHATHARIYA B, et al. שכבת שיפור⁃ משופרת עבור דחיסת ענן נקודות מבוסס אוקטרים ​​עם התקרבות הקרנת מישור [C]//SPIE Optical Engineering+Applications. SPIE, 2016: 223– 231. DOI: 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKOUR-SEVOM V, et al. קידוד וידאו דו מימדי של נתוני וידאו נפחיים [C]//Picture Coding Symposium (PCS). IEEE, 2: 2018–61. DOI: 65/PCS.10.1109
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. אינטרפולציה תלת מימדית מונחית גיאומטריה עבור קידוד ענן נקודות דינמי מבוסס הקרנה [C]//הסדנה האירופית השביעית לעיבוד מידע חזותי (EUVIP). IEEE, 3: 7–2019. DOI: 1/EUVIP.6
27. KATHARIYA B, LI L, LI Z, et al. דחיסת גיאומטריית ענן נקודות דינמית ללא הפסדים עם פיצוי בין-תגמול וחיזוי איש מכירות מטיילים [C]// ועידת דחיסת נתונים. IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO. קידוד נפחי חזותי מבוסס וידאו (V3C) ודחיסת ענן נקודות מבוסס וידאו: ISO/IEC 23090-5 [S]. 2021
29. PARK J, LEE J, PARK S, et al. קידוד מפת תפוסה מבוסס הקרנה עבור דחיסת ענן נקודות תלת מימדית [J]. עסקאות IEIE בנושא עיבוד ומחשוב חכמים, 3, 2020(9): 4–293. DOI: 297/ieiespc.10.5573
30. COSTA A, DRICOT A, BRITES C, et al. אריזת תיקון משופרת עבור תקן MPEG V-PCC [C]//IEEE 21st International Workshop on Multimedia Signal Processing (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901690
31. KAMMERL J, BLODOW N, RUSU RB, et al. דחיסה בזמן אמת של זרמי ענן נקודות [C]//הליכי 2012 IEEE International Conference על רובוטיקה ואוטומציה. IEEE, 2012: 778 – 785. DOI: 10.1109/ ICRA.2012.6224647
32. PCL. ספריית ענן נקודות. [EB/OL]. [2023-09-01]. http://pointclouds.org/
33. THANOU D, CHOU PA, FROSSARD P. דחיסה מבוססת גרפים של רצפי ענן נקודות תלת מימד דינמיים [J]. עסקאות IEEE על עיבוד תמונה, 3, 2016(25): 4–1765. DOI: 1778/TIP.10.1109
34. LI L, LI Z, ZAKHARCHENKO V, et al. חיזוי תנועה מתקדם בתלת מימד עבור דחיסת תכונות ענן נקודות מבוסס וידאו [C]//Data Compression Conference (DCC). IEEE, 3: 2019–498. DOI: 507/DCC.10.1109
    ZHAO LL, MA KK, LIN XH, et al. דחיסת ענן LiDAR בזמן אמת באמצעות חיזוי דו-כיווני וקידוד נקודה צפה מותאמת לטווח [J]. עסקאות IEEE בשידור, 2022, 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP, LIU D, LI HQ, et al. M-LVC: חיזוי מסגרות מרובות עבור דחיסת וידאו נלמדת [C]//IEEE/CVF ועידה בנושא ראייה ממוחשבת וזיהוי דפוסים. IEEE, 2020: 3543 – 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. YANG R, MENTZER F, VAN GOOL L, et al. למידה לדחיסת וידאו עם איכות היררכית ושיפור חוזר [C]//IEEE/CVF כנס בנושא ראייה ממוחשבת וזיהוי דפוסים. IEEE, 2020: 6627–6636. DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. דחיסה ללא אובדן של רצפי ענן נקודות באמצעות מודלים מותאמים לרצף CNN [J]. גישת IEEE, 2022, 10: 83678 –83691. DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. תיבה תוחמת מכוונת וזיהוי הפרעות גלובלי מבוסס אוטריות בעיבוד 5 צירים של משטחים בעלי צורה חופשית [J]. עיצוב בעזרת מחשב, 2004, 36(13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM, et al. מחקר מקיף של ביצועי עיוות קצב בדחיסת ענן MPEG נקודות [J]. עסקאות APSIPA על עיבוד אותות ומידע, 2019, 8: e27. doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. דחיסה תוך-מסגרת של גיאומטריית ענן נקודות באמצעות פירוק דיאדי [J]. IEEE Signal Processing Letters, 2020, 27: 246–250. DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. Silhouette 4D עם בחירת הקשר: דחיסת גיאומטריה ללא אובדן של ענני נקודות דינמיים [J]. IEEE Signal Processing Letters, 2021, 28: 1660 – 1664. DOI: 10.1109/ lsp.2021.3102525
42. ISO. תנאי בדיקה נפוצים עבור מסמך G-PCC N00106: ISO/IEC JTC 1/ SC 29/WG 7 MPEG [S]. 2021

ביוגרפיות

• ZHANG Huiran קיבלה את התארי BE ו-ME שלה בבית הספר לגיאודזיה וגיאומטיקה ומעבדת מפתח המדינה להנדסת מידע במיפוי מדידות וחישה מרחוק, שניהם מאוניברסיטת ווהאן, סין בשנת 2020 ו-2023, בהתאמה. כיום היא הסוקרת של מכון המחקר לתכנון עירוני ועיצוב בגואנגג'ואו, סין. תחומי המחקר שלה כוללים עיבוד נתונים בענן נקודות ודחיסה. היא השתתפה במספר פרויקטים הקשורים לתחום החישה מרחוק ופרסמה מאמר אחד ב-Geomatics and Information Science של אוניברסיטת ווהאן.
• דונג ג'ן (dongzhenwhu@whu.edu.cn) קיבל את תארי ה-BE והדוקטורט שלו בחישה מרחוק ופוטוגרמטריה מאוניברסיטת ווהאן, סין ב-2011 וב-2018, בהתאמה. הוא פרופסור במעבדת המפתח של המדינה להנדסת מידע במדידות, מיפוי וחישה מרחוק (LIESMARS), אוניברסיטת ווהאן. תחומי המחקר שלו כוללים שחזור תלת מימד, הבנת סצנות, עיבוד ענן נקודות וכן יישומים שלהם במערכת תחבורה חכמה, ערים תאומות דיגיטליות, פיתוח בר-קיימא עירוני ורובוטיקה. הוא קיבל למעלה מ-3 הצטיינות מתחרויות לאומיות ובינלאומיות שונות ופרסם כ-10 מאמרים בכתבי עת וכנסים שונים.
  וואנג מינגסנג קיבל את התואר BE שלו במכללה למדעי המחשב וטכנולוגיה מאוניברסיטת ג'ילין, סין בשנת 2001, ותואר ME בבית הספר למדעי המחשב והנדסה מאוניברסיטת דרום סין לטכנולוגיה, סין בשנת 2004. כיום הוא מהנדס בכיר בתכנון ערים של גואנגג'ואו. & מכון מחקר סקר עיצוב, סין. תחומי המחקר שלו כוללים יישומי מחשב ותוכנות, פיזיוגרפיה ומדידות. הוא קיבל למעלה מ-20 הצטיינות מתחרויות לאומיות שונות ופרסם כ-50 מאמרים בכתבי עת וכנסים שונים.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, פורסם באינטרנט ב-8 בנובמבר 2023
כתב יד התקבל: 2023-09-11

מסמכים / משאבים

אלגוריתם מודרך של ZTE לדחיסת גיאומטריית ענן נקודות ללא אובדן [pdfמדריך למשתמש אלגוריתם מודרך לדחיסת גיאומטריית ענן נקודות ללא אובדן, מודרך, אלגוריתם לדחיסת גיאומטריית ענן נקודות ללא אובדן, דחיסת גיאומטריית ענן נקודות ללא אובדן, דחיסת גיאומטריית ענן נקודות, דחיסת גיאומטריה

הפניות

• מדריך למשתמש