ZTE-LOGO

Algoritma Pandhuan ZTE kanggo Kompresi Geometri Awan Titik Lossless

ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression-PRO

Spesifikasi:

  • Jeneng produk: Algoritma Spatio-Temporal Context-Guided kanggo Lossless Point Cloud Geometry Compression
  • Pengarang: ZHANG Huiran, DONG Zhen, WANG Mingsheng
  • Diterbitake: Desember 2023
  • DOI: 10.12142/ZTECOM.202304003

Pandhuan Panggunaan Produk

Pambuka:
Produk kasebut dirancang kanggo ngompres data awan titik kanthi efisien, ngatasi tantangan sing ana gandhengane karo kapasitas ruang panyimpenan lan bandwidth transmisi jaringan.

Fitur utama:

  1. Mode prediksi ditrapake kanggo awan titik intraframe lan antar-pigura nggunakake masalah salesman lelungan lengkap.
  2. Encoder aritmetika adaptif kanthi nganyari konteks cepet kanggo pitungan kemungkinan efisien lan asil kompresi.

Langkah-langkah panggunaan:

Langkah 1: Dibagi Awan Titik
Dibagi awan titik dadi lapisan unit ing sumbu utama.

Langkah 2: Mode Prediksi Desain
Rancang mode prediksi nggunakake algoritma salesman lelungan kanggo nggunakake redundansi spasial lan temporal.

Langkah 3: Encode Sisa
Tulis residual menyang bit stream nggunakake encoder aritmetika adaptif konteks kanggo kompresi.

FAQ:

  • P: Apa keuntungan utama nggunakake produk iki?
    A: Produk kasebut ngidini kompresi data awan titik kanthi efisien, nggunakake korélasi spasial lan temporal kanggo asil kompresi sing luwih apik.
  • P: Apa produk iki bisa nangani awan titik siji lan multi-bingkai?
    A: Ya, mode prediksi bisa ditrapake kanggo awan titik intraframe lan antar pigura, ngidini skenario panggunaan serbaguna.

ZHANG Huiran, DONG Zhen, WANG Mingsheng

  1. Institut Riset Survey Perencanaan lan Desain Kutha Guangzhou, Guangzhou 510060, China;
  2. Guangdong Enterprise Key Laboratory for Urban Sensing, Monitor⁃ ing and Early Warning, Guangzhou 510060, China;
  3. State Key Laboratory of Information Engineering in Surveying Map⁃ ping and Remote Sensing, Wuhan University, Wuhan 430079, China)

Abstrak: Kompresi awan titik penting kanggo nyebarake perwakilan 3D ing jagad fisik kayata telepresence immersive 3D, nyopir otonom, lan warisan budaya.tage pengawetan. Nanging, data awan titik disebarake kanthi ora teratur lan ora terus-terusan ing domain spasial lan temporal, ing ngendi voxel sing ora dienggoni keluwihan lan korélasi sing lemah ing ruang 3D nggawe kompresi efisien dadi masalah sing tantangan. Ing makalah iki, kita ngusulake algoritma sing dipandu konteks spatio-temporal kanggo kompresi geometri awan titik lossless. Skema sing diusulake diwiwiti kanthi misahake awan titik dadi lapisan irisan saka ketebalan unit ing sumbu paling dawa. Banjur, ngenalake metode prediksi ing ngendi awan titik intraframe lan antar-bingkai kasedhiya, kanthi nemtokake korespondensi ing antarane lapisan jejer lan ngira jalur paling cedhak nggunakake algoritma salesman lelungan. Pungkasan, sawetara sisa prediksi dikompres kanthi efisien kanthi teknik pengkodean aritmetika fastmode sing dipandu konteks lan adaptif. Eksperimen mbuktekake manawa metode sing diusulake kanthi efektif bisa entuk kompresi data geometris awan tanpa tingkat bit sing sithik, lan cocog kanggo kompresi awan titik 3D sing ditrapake kanggo macem-macem jinis pemandangan.
tembung kunci: komprèsi geometri awan titik; awan titik pigura siji; awan titik multi-pigura; kodhe prediktif; pengkodean aritmetika.

Kutipan (Format 1): ZHANG HR, DONG Z, WANG MS. Spatio-temporal context-guided algorithm for lossless point cloud geometri compression [J]. ZTE Communications, 2023, 21(4): 17–28. DOI: 10.12142/ZTECOM.202304003
Kutipan (Format 2): HR Zhang, Z. Dong, lan MS Wang, "Algoritma sing dipandu konteks spasio-temporal kanggo kompresi geometri awan titik lossless," ZTE Communications, vol. 21, nr. 4, kaca 17–28, Desember 2023. doi: 10.12142/ZTECOM.202304003.

 

Pambuka

Kanthi paningkatan kinerja peralatan akuisisi multi-platform lan multi-resolusi, teknologi deteksi lan kisaran cahya (LiDAR) kanthi efisien bisa nyonto obyek utawa adegan 3D kanthi set titik sing akeh banget. Dibandhingake karo data multimedia tradisional, data awan titik ngemot informasi pangukuran fisik luwih akeh sing nggambarake obyek saka gratis viewtitik, malah pemandangan karo struktur topologi Komplek. Iki nyebabake efek interaktif lan immersive sing kuat sing nyedhiyakake pengalaman visualisasi sing nyata lan nyata. Kajaba iku, data awan titik duwe kemampuan anti-noise sing luwih kuat lan kemampuan pangolahan paralel, sing katon narik kawigaten saka industri lan akademisi, utamane kanggo domain aplikasi kayata heri budaya.tage pengawetan, telepresence immersive 3D lan nyopir otomatis [1-2].
Nanging, data awan titik biasane ngemot jutaan nganti milyaran poin ing domain spasial, nggawa beban lan tantangan kanggo kapasitas ruang panyimpenan lan bandwidth transmisi jaringan. Contone, awan titik dinamis sing umum digunakake kanggo hiburan biasane ngemot kira-kira siji yuta poin saben pigura, sing, ing 30 pigura per detik, total bandwidth 3.6 Gbit / s yen ora dikompres [3]. Mula, riset babagan algoritma kompresi geometri efisiensi dhuwur kanggo awan titik nduweni nilai teoretis lan praktis sing penting.
Sadurunge karya tackled masalah iki kanthi langsung mbangun kothak utawa on-demand mudhun-sampling, amarga watesan ing daya komputerisasi komputer lan efficiency koleksi maya titik, kang nyebabake kinerja kompresi spatio-temporal kurang lan mundhut informasi fitur atribut geometris. Pasinaon anyar utamane adhedhasar grafis komputer lan teknik pangolahan sinyal digital kanggo ngleksanakake operasi pamblokiran on-point cloud data [4 5] utawa gabungan teknologi video coding [6 7] kanggo optimasi. Ing 2017, Moving Picture Experts Group (MPEG) njaluk proposal kanggo kompresi awan titik lan nindakake diskusi sabanjure babagan cara ngompres data kasebut. Kanthi nambah pendekatan kanggo titik kompresi awan sing kasedhiya lan ditampilake, kerangka kompresi data awan rong titik-TMC13 lan TMC2 ditanggepi ing 2018. Panliten ing ndhuwur nuduhake kemajuan sing luar biasa ing teknologi kompresi awan titik. Nanging, karya sadurunge biasane ngurusi hubungan spasial lan temporal awan titik kanthi kapisah nanging durung dimanfaatake kanthi potensial lengkap ing kompresi awan titik.
Kanggo ngatasi tantangan kasebut, kita ngenalake metode dipandu konteks spatio-temporal kanggo kompresi geometri awan titik lossless. Pisanan kita dibagi awan titik dadi lapisan unit ing sumbu utama. Kita banjur ngrancang mode prediksi liwat algoritma salesman lelungan, kanthi nggunakake korélasi spatiotemporal. Pungkasan, sisa-sisa kasebut ditulis dadi bit-stream kanthi encoder aritmetika adaptif konteks sing digunakake. Kontribusi utama kita kaya ing ngisor iki.
1) Kita ngrancang- mode prediksi sing bisa ditrapake kanggo awan titik intra-pigura lan antar-pigura, liwat masalah salesman lelungan lengkap (TSP). Kanthi nggunakake redundansi spasial lan temporal saka awan titik, prediksi geometri bisa luwih apik nggunakake korélasi spasial lan mulane ngaktifake macem-macem jinis skenario.
2) Kita nampilake encoder aritmetika adaptif kanthi nganyari konteks cepet, sing milih konteks 3D sing optimal saka kamus konteks, lan nyuda paningkatan entropi. Akibaté, nambah efisiensi pitungan kemungkinan encoders entropi lan ngasilake asil comprsion sing signifikan.
Sisane makalah iki katata kaya ing ngisor iki. Bagean 2 menehi ringkesan karya sing ana gandhengane babagan kompresi geometri awan titik. Bagean 3 pisanan menehi overview saka kerangka ngajokaken. Banjur, cara sing diusulake diterangake kanthi rinci. Asil eksperimen lan kesimpulan ditampilake ing bagean 4 lan 5.

Karya sing gegandhengan

Ana akeh algoritma kompresi geometri awan titik sing diusulake ing literatur. CAO et al. [8] lan GRAZIOSI et al. [9] nganakake investigasi lan ringkesan metode kompresi awan titik saiki, fokus ing teknologi kompresi dimensi spasial lan kerangka standarisasi MPEG. We nyedhiyani re singkatview pangembangan anyar ing rong kategori: kompresi awan titik siji-pigura lan kompresi awan titik multi-pigura.

  1. Kompresi Cloud Titik Bingkai Tunggal
    Awan titik pigura tunggal digunakake akeh ing survey teknik, heri budayatage pengawetan, sistem informasi geografis, lan skenario liyane. Octree minangka struktur data sing akeh digunakake kanggo makili awan titik kanthi efisien, sing bisa dikompres kanthi ngrekam informasi liwat simpul sing dikuwasani. HUANG et al.[10] ngusulake metode basis octree sing mbagi awan titik kanthi rekursif dadi simpul kanthi posisi sing diwakili dening pusat geometris saben unit. FAN et al.[11] luwih ningkatake cara iki kanthi ngenalake analisis kluster kanggo ngasilake hirarki tingkat rinci (LOD) lan ngodhe ing urutan sing luwih dhisik. Nanging, cara kasebut bisa nyebabake distorsi amarga perkiraan model asli sajrone proses iteratif.
    Kanggo ngatasi watesan kasebut, para sarjana wis ngenalake fitur struktur geometris, kayata model permukaan segitiga [12], model permukaan planar [13 14], lan al-goritma clustering [15], kanggo prediksi antar lapisan lan pitungan residual. . RENTE et al.[16] ngusulake konsep kompresi lapisan progresif sing pisanan nggunakake struktur octree kanggo enkoding kasar lan banjur nggunakake grafik transformasi Fourier kanggo kompresi lan rekonstruksi rincian awan. Ing taun 2019, MPEG ngeculake teknologi kompresi awan titik berbasis geometri (G-PCC) kanggo awan titik statis lan dinamis, sing ditindakake liwat transformasi koordinat, voxelization, analisis struktur geometris, lan kode aritmetika langkah demi langkah [17].
    Wiwit octants tartamtu ing octree bisa uga arang pedunungé utawa malah kosong, sawetara cara wis ngajokaken kanggo ngoptimalake struktur wit dening pruning sub-node lan mulane ngreksa alokasi memori. Kanggo example, DRICOT et al. [18] ngusulake mode coding langsung inferred (IDCM) kanggo mungkasi partisi octree adhedhasar kahanan sing wis ditemtokake saka analisis sparsity, sing kalebu pruning struktur octree kanggo nyimpen bit sing diparengake kanggo kelenjar anak. ZHANG et al. [19] nyaranake mbagi ruang awan titik ing sadawane komponen utama lan adaptasi metode partisi saka wit biner, quadtree lan octree. Dibandhingake karo pemisahan octree tradisional, model hibrida sing kasebut ing ndhuwur bisa kanthi efektif nyuda jumlah bit sing digunakake kanggo makili titik sing jarang, mula nyimpen simpul sing kudu dienkode. Nanging, kahanan hiperparameter rumit lan tekad mode dibutuhake ing proses kasebut, dadi angel kanggo nyukupi syarat adaptasi diri lan kerumitan sing sithik.
    Kanthi jaringan syaraf jero nggawe langkah sing signifikan ing kompresi gambar lan video, peneliti wis njelajah cara kanggo nyuda tingkat bit kanthi nggunakake pandhuan super sadurunge lan redundansi ekspresi ruang laten sajrone proses kompresi. QUACH et al.[20] lan HUANG et al.[21] ngusulake metode sing nggabungake konsep kasebut. GUARDA et al. gabungke jaringan syaraf convolutional lan autoencoders kanggo eksploitasi redundansi antarane titik jejer lan nambah adaptasi coding ing Ref. [22]. Bubar, WANG et al. [23] ngusulake metode kompresi awan titik adhedhasar auto-enkoder variasi, sing nambah rasio kompresi kanthi sinau hiperprior lan nyuda konsumsi memori saka coding aritmetika. Cara sing kasebut ing ndhuwur nggunakake encoders jaringan saraf kanggo nangkep vektor sing didhelikake kanthi urutan dhuwur saka awan titik, kemungkinan model entropi, lan kemungkinan pinggiran sing luwih pas, saéngga nyuda konsumsi memori saka coding aritmetika. Umumé, riset babagan kompresi geometris awan titik siji-pigura relatif diwasa, nanging isih ana rong tantangan. Korelasi spasial durung bisa digunakake kanthi efektif, lan umume metode ora menehi kode korélasi data awan titik kanthi tliti lan efisien. Kajaba iku, pitungan model probabilitas kanggo kodhe entropi katon dawa lan angel amarga akeh konteks.
  2. Kompresi Cloud Multi-Frame Point
    Awan titik multi-bingkai umume digunakake ing skenario kayata telepresence immersive 3D wektu nyata, VR interaktif, 3D gratis viewsiaran titik lan nyopir otomatis. Ora kaya kompresi awan titik siji-pigura, kompresi awan titik multi-bingkai luwih prioritas nggunakake korélasi wektu, uga estimasi gerakan lan ganti rugi. Cara sing ana kanggo kompresi awan titik multi-pigura bisa dipérang dadi rong kategori: proyeksi 2D lan dekorasirelasi 3D.
    Bidang kompresi gambar lan video jembar lan wis diteliti kanthi apik sajrone sawetara dekade kepungkur. Macem-macem algoritma ngonversi awan titik dadi gambar banjur dikompres langsung nganggo encoder FFmpeg lan H. 265, lsp. AINALA et al [24] ngenalake mode en-coding perkiraan proyeksi planar sing ngode atribut geometri lan warna liwat pemindaian raster ing pesawat. . Nanging, cara iki nyebabake owah-owahan ing wangun target sajrone proses pemetaan, nggawe interprediksi sing akurat dadi angel. Mulane, SCHWARZ et al.[25] lan SEVOM et al.[26] nyaranake proyeksi planar sing diputer, proyeksi kubus, lan metode proyeksi adhedhasar patch kanggo ngowahi awan titik dadi video 2D. Kanthi nempatake proyeksi sing padha ing pigura jejer ing lokasi sing padha ing gambar jejer, kompresor video bisa mbusak korélasi temporal kanthi lengkap. Ing Ref. [27], prediksi antar-geometri ditindakake liwat TSP, sing ngitung korespondensi siji-kanggo-siji saka intra-blok jejer kanthi nggoleki blok kanthi nilai rata-rata sing paling cedhak. MPEG ngeculake teknologi kompresi awan titik berbasis video (V-PCC) kanggo awan titik dinamis ing taun 2019[28]. Kerangka iki mbagi awan titik input dadi pamblokiran cilik kanthi vektor normal sing padha lan papan sing terus-terusan, banjur ngowahi menyang permukaan planar liwat kubus kanggo ngrekam gambar pendhudhukan lan informasi tambahan. Kabeh gambar sing diasilake dikompress dening codec video sing wis diwasa, lan kabeh bitstreams dirakit dadi siji output. file. Upaya liyane wis ditindakake kanggo nambah efektifitas metode kasebut. COSTA et al.[29] eksploitasi sawetara strategi kemasan tembelan anyar saka perspektif optimasi kanggo algoritma kemasan, tautan kemasan data, pangurutan sing gegandhengan, lan indikator posisi. Salajengipun, PARK et al. [30] ngrancang cara packing adaptif data sing adaptively kelompok pigura jejer menyang klompok padha miturut podho struktural tanpa mengaruhi kinerja stream V-PCC. Amarga kelangan informasi sing ora bisa dihindari amarga proyeksi awan titik, para sarjana wis ngembangake teknik sing efektif kanggo ngompres urutan awan titik saka pigura berturut-turut nggunakake teknologi ganti rugi gerakan adhedhasar ruang 3D. KAMMERL et al.[31] ngusulake metode enkoding geometris adhedhasar octree, sing entuk efisiensi kompresi sing dhuwur kanthi nindakake beda UTAWA (XOR) eksklusif ing antarane pigura jejer. Cara iki ora mung diadopsi ing Point Cloud Library (PCL) sing populer [32] nanging uga digunakake kanggo riset algoritma luwih lanjut. Pendekatan interframe liyane ngowahi masalah estimasi gerakan 3D dadi masalah sing cocog karo fitur [33] utawa nggunakake informasi geometris sing direkonstruksi [34] kanggo prédhiksi vektor gerakan lan ngenali hubungan sing cocog antarane pigura jejer kanthi akurat. Panaliten eksplosif anyar [35 36] nuduhake manawa kompresi video sing dipelajari nawakake kinerja distorsi tingkat sing luwih apik tinimbang sing tradisional, nggawa referensi sing signifikan kanggo kompresi awan. ZHAO et al.[37] ngenalake jaringan prediksi antar-pigura bi-arah kanggo nindakake prediksi antar-pigura lan nggawa pemanfaatan efektif informasi sing relevan ing dimensi spasial lan temporal. KAYA et al. [38] ngrancang paradigma anyar kanggo ngodhe fitur geometris saka urutan maya titik padhet, ngoptimalake CNN kanggo ngira distribusi enkoding kanggo mujudake kompresi lossless saka awan titik padhet.
    Senadyan kemajuan teknologi kodhe kompresi model awan multi-frame point, ana rong masalah. Pendekatan kompresi awan titik multi-frame sing ana utamane gumantung ing kodhe video lan ganti rugi gerakan, sing mesthi nyebabake mundhut informasi utawa distorsi sing disebabake pemetaan lan pemblokiran pinggiran discontinuity. Kajaba iku, coding prediktif nuduhake aplikasi sing sithik amarga ora konsistensi geometri awan titik antar-pigura. Ngimbangi titik-titik ing antarane pigura lan swara sing ora bisa diendhani nambah kesulitan nggunakake kode prediktif kanthi efektif ing kompresi antar-pigura.

Ngajokaken Spatio-Temporal Context-Guided Lossless Geometry Point Cloud Compression Method

Swaraview
Pipa sakabèhé saka algoritma konteks dipandu spatio-temporal kita ditampilake ing Fig. 1. Kaping pisanan, kita preprocess awan titik input kanthi nggunakake voxelization lan transformasi skala. Banjur, awan titik dipérang dadi lapisan irisan ketebalan unit ing sumbu utama. Sabanjure, kita ngrancang mode prediksi sing nggunakake informasi korélasi temporal lan spasial ing intra-frame lan antar-frame. Kita ngetung path paling cendhak titik lapisan referensi (lapisan R) liwat algoritma salesman lelungan, lan asil saka lapisan R banjur digunakake kanggo prédhiksi spatiotemporally lan encode liyane saka awan titik, yaiku lapisan prediksi (P-lapisan). ). Pungkasan, algoritma kodhe entropi sing luwih apik diadopsi kanggo entuk biner sing dikompres file.ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (2)

Divisi Hirarki Berbasis Gambar

  1. Pre-processing
    Modul pra-proses kalebu voxelization lan transformasi skala, kanggo indeksasi luwih apik saben titik tartamtu. Ing voxelization, kita dibagi spasi dadi kubus ukuran N, sing cocog karo resolusi nyata saka awan titik. Saben titik diwenehi voxel unik adhedhasar posisine. A voxel direkam minangka 1; yen wis positif dikuwasani, iku 0 digunakake. Transformasi skala bisa nyuda sparsity kanggo kompresi sing luwih apik kanthi nggedhekake awan titik, ing ngendi jarak antarane titik dadi luwih cilik. Kita kumpulake koordinat awan titik (x, y, z) nggunakake faktor skala s, yaiku,ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (3)
    Kanggo mesthekake kompresi lossless, kita kudu mesthekake yen faktor skala ora bisa nyebabake mundhut geometri lan kudu direkam ing header. file.
  2. Divisi irisan-lapisan
    Modul iki dianggo kanthi misahake awan titik 3D ing sadawane sumbu, nggawe sawetara lapisan irisan unit kanthi informasi sing dikuwasani lan ora dikuwasani mung sing bisa dikompres luwih lanjut nggunakake encoder prediktif lan coder aritmetika. Fungsi kasebut ditetepake minangka:ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (4)
    ing ngendi G nuduhake matriks koordinat awan titik input, sumbu nuduhake ukuran sing dipilih, lan S (a, b) minangka irisan 2D sing diekstrak saben lapisan. Umumé, kita nganakake eksperimen babagan akeh urutan tes, lan asil nuduhake yen divisi ing sumbu paling dawa saka variasi spasial awan titik ngasilake bitrate paling murah, yaiku.ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (5)
  3. Ekstraksi kothak wates minimal
    Umume kasus, voxel sing dikuwasani biasane ora bisa dihindari lan luwih akeh tinimbang voxel sing dikuwasani. Akibaté, pangolahan lan enkoding loro jinis voxels bebarengan mbebani kerumitan komputasi lan kacepetan enkoding algoritma komprèsi. Mulane, kita nganggo kothak wewatesan oriented (OBB) [39] kanggo ngetung kothak wates minimal kanggo saben lapisan irisan, mesthekake yen pituduh kothak wewatesan konsisten antarane lapisan. Ing pangolahan sakteruse, mung voxel sing ana ing persegi panjang sing diwatesi sing dikompres.

Pengkodean Prediktif Dipandu Konteks Spasial

Tujuan saka enkoding prediktif sing dipandu konteks spasial yaiku kanggo ngode kabeh titik kanthi lapisan. Inspirasi dening TSP, kita ngrancang mode prediksi kanggo njelajah pesenan potensial lan korélasi ing saben lapisan irisan. Modul iki kasusun saka partisi lan pitungan path paling cendhak.
Kaping pisanan, kita misahake lapisan sing diiris lan nemtokake lapisan R lan lapisan R kanggo saben klompok. Kita ngliwati lapisan awan titik kanthi lapisan ing sumbu sing dipilih. Nalika dawa arah utama kothak wates minimal antarane lapisan jejer beda karo dawa unit tartamtu, direkam minangka klompok padha. Yen ora, digunakake minangka lapisan referensi saka klompok sabanjuré, lan saben maya titik ing grup ing ngisor iki nggunakake path paling cendhak padha. Ing makalah iki, kita nyetel lapisan pisanan saben klompok minangka lapisan R, lan liyane minangka lapisan P. Kita uga nindakake eksperimen babagan pirang-pirang urutan tes lan nyaranake nyetel parameter kasebut minangka 3 unit kanggo entuk kompresi sing paling apik.
Sawisé iku, kita nindakake pitungan path paling cendhak ing R-lapisan lan ngrekam residuals Pemain. Miturut aturan distribusi awan titik saben lapisan irisan, kita kanthi optimal ngatur awan titik sing ora teratur kanggo saben lapisan irisan adhedhasar algoritma TSP. Iki ngidini kita ngetung dalan paling cendhak menyang awan titik saka lapisan R, lan banjur ngrekam residu saka lapisan prediksi sing cocog. Algoritma 1 nuduhake pseudo-kode saka prosedur prediksi.

ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (6)

Sepisanan, kita nemtokake aturan pitungan jarak antarane titik ing wilayah lokal lan initialize negara path karo pc1 titik dipilih kanthi acak. Ing saben pengulangan, saben pci titik anyar ditambahake, permutasi mbosenke dianyari liwat path persamaan transisi negara (P - i, i) nganti kabeh TCTerms ditambahaké kacathet ing P ing urutan dalan paling cendhak. Proses iki diowahi kanthi bertahap adhedhasar kritéria jarak minimal. Sawise kabeh pengulangan rampung ing total path paling cendhak, kita ngetung min ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (8) dist(pci, pcj) ing saben R-lapisan, lan bali paling cendhak path rekaman Tabel saka titik awan ing saben R-lapisan. Kanggo komprèsi luwih, kita ngetung panyimpangan saka P-lapisan saka path paling cendhak saka R-lapisan ing grup padha lan ngrekam minangka residual prediktif. Pungkasan, dalan paling cendhak saka Rlayer lan residual saben klompok sing metu lan diterusake menyang encoder entropi kanggo compress residual prediksi luwih lanjut.

Spatio-Temporal Context-Guided Predictive Encoding
Mode prediksi sing dipandu konteks spasial encode
awan titik pigura siji individu. Nanging, nggunakake enkoding spasial kanggo saben awan titik siji-pigura kanthi kapisah bisa ngilangi kesempatan sing kapapar dening korélasi temporal ing awan titik multi-bingkai. Ngelingi yen awan titik multi-pigura nuduhake akeh tumpang tindih, kita fokus nggunakake redundansi temporal kanggo nambah efisiensi kompresi. Mula, adhedhasar mode prediksi dipandu konteks spasial sing diusulake, kita bisa ngompres awan titik multiframe kanthi ngenali korespondensi antarane lapisan jejer ing pigura.

  1. Partisi antar pigura
    Kanggo nambah efektifitas mode prediksi antar-bingkai, penting kanggo mesthekake kemiripan sing nyukupi ing antarane lapisan pigura sing jejer. Akibaté, kita kudu pamisah kelompok antarane pigura jejer lan nemtokake R-lapisan lan P-lapisan tengen pigura. Kanthi ngira path paling cendhak saka lapisan P adhedhasar path paling cendhak saka lapisan R, kita ngrekam residual prediksi lan luwih compress liwat encoder entropi. Algoritma 2 nuduhake pseudocode saka pemisahan interframe.ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (7)
    Adhedhasar irisan-lapisan orientasi alignment, kita éling pemisahan coarse lan pemisahan nggoleki suksesi. Kanggo partisi kasar, kita ngurutake lapisan irisan saben pigura adhedhasar koordinat sing cocog karo sumbu divisi, saka cilik nganti gedhe. Akibaté, saben lapisan irisan saben pigura duwe nomer lapisan unik, ngidini kita coarsely partisi lapisan irisan karo nomer padha antarane pigura jejer. Sawisé iku, kita ngetung prabédan antarane dawa sumbu utama kothak wates minimal saka lapisan jejer karo nomer padha. Yen nilai iki kurang saka utawa padha karo unit dawa sing ditemtokake, lapisan kasebut bakal dipérang dadi klompok sing padha. Yen ora, kita mbandhingake prabédan ing dawa sumbu arah utama kothak wates minimal ing lapisan sing cocog saka pigura jejer karo lapisan kasebut sadurunge lan sawise nomer ing pigura jejer. Lapisan kanthi prabédan paling cilik banjur dipérang dadi klompok sing padha. Iki njamin pemisahan nggoleki antarane lapisan jejer, lan supaya minangka kanggo éling pemisahan nggoleki sesambetan jejer.
  2. Mode prediksi sing dipandu konteks spasio-temporal
    Adhedhasar partisi, kita aplikasi lan nggedhekake mode prediksi kasebut ing Bagean 3.3. Kita nggabungake konteks antar-pigura ing proses kasebut, tegese lapisan pisanan saben klompok, sing dadi lapisan R, ora mesthi bakal ngasilake asil prediksi sing paling apik. Kanggo njelajah kanthi lengkap korélasi potensial antarane lapisan jejer, kita kudu mbukak mode prediksi optimal.
    Kaping pisanan, kita ngetung residual prediksi kanggo saben lapisan irisan ing klompok saiki nalika digunakake minangka lapisan R. Kanthi mbandhingake residual prediksi ing kabeh kasus, kita milih lapisan R kanthi nilai residu absolut paling cilik minangka mode prediksi sing paling apik. Kanggo pitungan jalur paling cendhak lapisan R, kita nggunakake algoritma salesman lelungan kanggo ngitung jalur paling cedhak saka lapisan R ing mode prediksi paling apik. Kajaba iku, kita ngetung residual prediksi kanggo saben klompok miturut mode prediksi sing paling apik. Kita uga ngrekam dawa panggonan lan informasi R-lapisan saben klompok kanggo komprèsi luwih ing Processing sakteruse. Ing operasi tindakake-munggah, kita nggunakake kode aritmetika adhedhasar pilihan konteks paling apik kanggo informasi ing ndhuwur kanggo ngrampungake kabeh proses saka multi-pigura titik algoritma komprèsi geometri.

Coding Aritmetika Adhedhasar Kamus Konteks
Konteks sing akeh banget ing awan titik mbebani skema kompresi sakabèhé ing babagan kompleksitas komputasi aritmetika. Kita nambah kode aritmetika saka rong modul ing ngisor iki. 1) Kita nyiyapake kamus konteks, lan pilih lan nganyari nilai optimal global miturut taksiran entropi, banjur 2) kita nganggo encoder adaptif kanggo ngetung wates ndhuwur lan ngisor probabilitas kanthi efisien.

  1. Konstruksi kamus konteksZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (10)
  2. Kita mbangun kamus konteks sing makili antrian telung, dumadi saka koordinat awan titik ing saben lapisan irisan lan perwakilan integer saka konteks non-kosong sing cocog. Mangkono, kita nggandhengake voxel sing ana ing awan titik karo kothak wates minimal saben lapisan kanthi konteks sing ora kosong. Kanggo ilustrasi construction saka Uploaded antrian telung kamus context cetha, kita menehi panjelasan intuisi ing Fig.. 2. Kanggo loro kothak iyub-iyub ing Fig.. 2, mung posisi map context pc1 lan pc2 dianggep. Kontribusi konteks ing sadawane sumbu x lan sumbu y dicathet ing rong antrian QX - lan QY -. Mangkono kamus konteks kasusun saka QX – lan QY -. Unsur antrian kanthi koordinat sing padha digabungake dadi triplet, perwakilan integer konteks sing diitung minangka jumlah kontribusi konteks triplet gabungan.
    Mulane, konteks saben voxel bisa diitung minangka jumlah kontribusi independen saka voxel sing dikuwasani ing kamus konteks. Struktur iki mbantu nemtokake manawa voxel kudu ditambahake menyang kamus konteks tanpa nggoleki matriks sing mboseni, sing nyebabake nyuda kerumitan komputasi lan wektu kerja sing signifikan.
  3. Petungan probabilitas
    Kanggo ngetung probabilitas entropi, dawa urutan lan konteks voxel konstituen kudu dianggep. Ing modul iki, kita ngrancang encoder adaptif sing pisanan ngira wates probabilitas kumulatif ndhuwur lan ngisor kanggo saben klompok saka kamus konteks, lan banjur ngodhe. Kaping pisanan, kita mbangun wit binar adhedhasar model rantai Markov. Kanthi ngliwati pendhudhukan voxels, kita nemtokake nilai 1 lan 0 kanggo voxel sing dikuwasani lan kosong, lan ngetung kemungkinan adhedhasar struktur wit. Miwiti saka simpul ROOT, nalika voxel dikuwasani, kita ngrekam simpul anak kiwa minangka 1. Yen ora, kita menehi tandha simpul anak tengen minangka 0 lan nerusake menyang langkah sabanjure pangadilan lan divisi. Rumus pitungan kanggo kemungkinan roto saka voxels dikuwasani bisa ditemokaké ing Eq. (4).

Kanggo dawane mlaku kurang saka utawa padha karo n, bisa uga ana 2n saka simpul wit sing nuduhake status pendhudhukan voxel. Mulane, kemungkinan voxel sing dikuwasani diwakili dening probabilitas gabungan independen kanggo ngliwati kabeh negara sing diwiwiti saka oyod lan pungkasan ing simpul wit sing ora duwe anak. Adhedhasar Eq. (4), kanggo nindakake enkoding aritmetika ing pendhudhukan urutan voxel, kita kudu probabilitas ndhuwur lan ngisor kumulatif saka urutan, minangka ditampilake ing Eq. (5).ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (11)

Nggunakake pendekatan iki, kita bisa nggunakake sifat adaptif saka kode aritmetika kanggo nyetel nilai estimasi kemungkinan saben simbol adhedhasar model estimasi probabilitas sing dioptimalake lan frekuensi saben simbol ing urutan simbol saiki. Iki ngidini kita ngetung wates ndhuwur lan ngisor saka kemungkinan kumulatif voxel sing dikuwasani lan ngrampungake proses enkoding.

Eksperimen

Rincian Implementasine

  1. kumpulan data. Kanggo verifikasi kinerja metode sing diusulake, eksperimen ekstensif ditindakake liwat 16 set data awan titik sing bisa didownload saka Ref. [40], minangka ditampilake ing Fig. 3, kang Fig. 3(a)– 3(l) mujudake potret kanthi titik sing padhet, lan Gambar. 3(m) – 3(p) minangka arsitektur kanthi titik sing jarang. Ara. 3(a) – 3(h) iku voxelized ndhuwur awak titik data maya urutan saka rong résolusi spasial dijupuk saka Microsoft. Ara. 3(i)– 3(l) dipilih saka 8i voxelized full body point data urutan data. Sisa awan titik jarang skala gedhe ing Fig. 3(k)– 3(p) minangka fasad statis lan dataset arsitektur.
  2. Metrik evaluasi. Kinerja metode sing diusulake dievaluasi kanthi bit per titik (BPP). BPP nuduhake jumlah bit sing dikuwasani dening informasi koordinat sing ditempelake menyang titik kasebut. Sing luwih murah regane, luwih apik kinerja. ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (12)ngendi Sizedig nggantosi nomer bit dikuwasani dening informasi koordinat data maya titik, lan k nuduhake nomer TCTerms ing maya titik asli.
  3. pathokan. Kita utamané mbandhingaké cara kita karo algoritma baseline liyane, kalebu: PCL-PCC: komprèsi basis octree ing PCL; G-PCC (model tes intra-coders MPEG) lan interEM (model tes antar-koder MPEG) target kompresi awan siji-frame lan multi-frame point; Silhouette 3D (S3D)[41] lan Silhouette 4D (S4D)[42] target kompresi awan siji lan titik multi-bingkai.
    Kanggo PCL, kita nggunakake pendekatan komprèsi maya titik octree ing PCL-v1.8.1 mung kanggo komprèsi geometri. Kita nyetel paramèter résolusi octree saka presisi titik lan résolusi voxel. Kanggo G-PCC (TM13-v11.0), kita milih geometri lossless ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (13) ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (14)- kondisi atribut lossless ing mode octree-predictive, ninggalake paramèter minangka standar. Kanggo interEM (tmc3v3.0), kita nggunakake asil eksperimen ing geometri lossless lan kondisi atribut lossless minangka perbandingan [43]. Kanggo S3D
    lan S4D, kita tindakake kahanan gawan lan paramèter.
  4. Hardware. Algoritma ngajokaken dipun ginakaken ing Matlab lan C ++ nggunakake sawetara fungsi saka PCL-v1.8.1. Kabeh eksperimen wis diuji ing laptop nganggo CPU Intel Core i7- 8750 @2.20 GHz kanthi memori 8 GB.

Asil Kompresi Cloud Titik Bingkai Tunggal

  1. Asil kompresi potret saka urutan data awan titik padhet
    Tabel 1 nuduhake kinerja algoritma kompresi geometri awan titik lossless sing dipandu konteks spasial dibandhingake karo metode PCL-PCC, G-PCC lan S3D ing potret saka urutan data awan titik padhet. Bisa dideleng saka Tabel 1 yen kanggo kabeh awan titik saka urutan sing padha, metode sing diusulake entuk BPP kompresi paling murah dibandhingake karo metode liyane. Algoritma kita nawakake asil rata-rata saka -1.56% dadi -0.02% nglawan S3D, lan bathi saka -10.62% dadi -1.45% nglawan G-PCC. Iku nuduhake advan luwih ketoktage, yaiku, asil kinerja kompresi saka algoritma sing diusulake saka -10.62% nganti -1.45%; Kanggo PCL-PCC, algoritma sing diusulake nuduhake gain meh tikel kaping pindho ing kabeh urutan, wiwit saka -154.43% nganti -85.39%.
  2. Asil kompresi data awan titik jarang skala gedhe
    Amarga S3D ora bisa digunakake ing kasus iki, kita mung mbandhingake algoritma komprèsi awan titik geometri lossless dipandu konteks spasial karo cara PCL-PCC lan G-PCC ing data maya titik jarang skala gedhe. Maneh, algoritma kita entuk kinerja sing cukup gedhe karo G-PCC lan PCL-PCC, kaya sing ditampilake ing Tabel 1. Asil nuduhake yen rata-rata keuntungan BPP saka -8.84% nganti -4.35% dijupuk dibandhingake karo G-PCC. Kanggo PCL-PCC, algoritma sing diusulake nuduhake advan sing luwih jelastages, kanthi asil saka -34.69% nganti -23.94%.
  3. Ringkesan
    Kanggo menehi perbandingan sing luwih bisa dingerteni babagan asil kompresi awan titik pigura siji, Tabel 2 nampilake asil rata-rata antarane metode kompresi sing dipandu konteks spasial lan metode pathokan paling canggih liyane. Dibandhingake karo S3D, metode sing diusulake nuduhake keuntungan rata-rata saka - 0.58% nganti - 3.43%. Kanggo G-PCC lan PCL-PCC, asil rata-rata entuk paling sethithik -3.43% lan -95.03%. Analisis eksperimen nuduhake manawa metode kompresi dipandu konteks spasial ngluwihi S3D, G-PCC lan PCL-PCC saiki kanthi wates sing signifikan. Mangkono, bisa nyukupi syarat kompresi lossless geometri awan titik kanggo macem-macem jinis pemandangan, contone, distribusi sing kandhel utawa jarang, lan efektifitas metode kita tetep.
  4. Asil Multi-pigura Point Cloud Compression
    Kita ngevaluasi algoritma komprèsi geometri titik awan sing dipandu konteks spasial-temporal marang algoritma kompresi sing ana kayata S4D, PCL-PCC, G-PCC lan interEM. Mung potret saka urutan data maya titik padhet sing digunakake ing eksperimen iki. Asil digambarake ing.

Tabel 1. Perbandingan BPP saka algoritma kompresi sing dipandu konteks spasial lan metode baseline.

ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (15)

Tabel 2. Perbandingan BPP karo algoritma paling canggih ing data awan titik pigura siji.ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (16)

Tabel 3. Kaya sing kita deleng, sawise optimasi ing mode prediksi lan encoder aritmetika, algoritma sing diusulake nuduhake kaunggulan ing kabeh urutan tes. Khusus, dibandhingake karo interEM lan G-PCC, algoritma sing diusulake nuduhake keuntungan sing signifikan saka -51.94% nganti -17.13% lan -46.62% nganti -5.7%. Dibandhingake karo S4D, algoritma sing diusulake nuduhake perbaikan sing kuat wiwit saka -12.18% nganti -0.33%. Kanggo PCL-PCC, algoritma sing diusulake wis meh setengah saka kabeh urutan tes.
Salajengipun, kita ngringkes asil kompresi lan keuntungan saka metode sing diusulake ing urutan data awan titik padhet potret, kadhaptar ing Tabel 4. Rata-rata, ngasilake antara -11.5% lan -2.59% dibandhingake karo awan titik dipandu konteks spasial. algoritma komprèsi geometri ngajokaken sadurunge. Kajaba iku, nuduhake asil rata-rata unggul - 19% dibandhingake karo G-PCC lan entuk bathi coding rata-rata −24.55% dibandhingake karo interEM. Kajaba iku, dibandhingake karo S3D lan S4D, entuk rata-rata luwih saka -6.11% lan -3.64%. Analisis eksperimen sakabèhé nuduhake yen metode kompresi awan titik sing dipandu konteks spatiotemporal bisa nggunakake korélasi spasial lan temporal saka lapisan jejer ing jero pigura lan antar pigura. Kita uga nambah pilihan konteks global lan model probabilitas encoder aritmetika kanggo entuk tingkat bit sing luwih murah. Cara sing diusulake ngluwihi kinerja algoritma canggih, supaya bisa nyukupi syarat kompresi tanpa rugi geometri awan titik ing skenario aplikasi multimedia kayata potret dinamis.

Tabel 3. Perbandingan bit-per-titik saka algoritma kompresi sing dipandu konteks spatio-temporal lan metode baseline.ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (17)

Tabel 4. Perbandingan bit-per-point karo algoritma canggih ing data awan multi-frame point.ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (18)

Sinau Ablasi
Kita nindakake studi ablasi babagan enkoding prediktif liwat 8i voxelized urutan data maya titik awak lengkap kanggo nduduhake efektifitas partisi kasebut. Bisa dideleng saka Tabel 5 sing asil dandan nuduhake gain stabil saka -70% ing multiframe titik komprèsi maya lan - 60% ing siji-pigura titik komprèsi maya marang non-pemisahan coding prediktif.
Sabanjure, kita nindakake eksperimen ablasi babagan pengkodean aritmetika kanggo nduduhake efektifitas kamus konteks. Minangka ditampilake ing Tabel 6, asil dandan sing kuat saka −33% ing kompresi awan multi-frame point lan −41% ing kompresi awan titik siji-pigura marang kode aritmetika tanpa kamus konteks diamati ing metode kita.

ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (19) ZTE-Guided-Algorithm-for-Lossless-Point-Cloud-Geometry-Compression- (20)

Konsumsi Wektu
Kita nguji konsumsi wektu kanggo ngevaluasi kerumitan algoritma lan mbandhingake metode sing diusulake karo liyane. Kompleksitas algoritma dianalisis dening encoders lan decoder independen, kadhaptar ing Tabel 7. Kaya sing kita deleng, G-PCC, interEM lan PCL-PCC bisa entuk wektu enkoding kurang saka 10 s lan wektu dekoding kurang saka 5 s kanggo data awan titik padhet potret. Dheweke uga nindakake kanthi apik ing data awan titik jarang skala gedhe dibandhingake karo liyane. Algoritma sing diusulake butuh udakara 60 detik lan 15 detik kanggo ngode lan dekode urutan potret, malah luwih akeh babagan data awan titik fasad lan arsitektur. Ana trade-off antarane bitrate lan kacepetan komprèsi. Dibandhingake karo S3D lan S4D, kang njupuk atusan detik kanggo encode, cara kita-akeh wektu bisa nuduhake kaunggulan.
Ing ringkesan, konsumsi wektu metode sing diusulake yaiku medium ing antarane kabeh algoritma sing dibandhingake nanging isih perlu ditingkatake.

Kesimpulan

Ing makalah iki, kita ngusulake metode dipandu konteks spatiotemporal kanggo komprèsi geometri awan titik lossless. Kita nganggep awan titik irisan saka ketebalan unit minangka unit input lan nganggo mode pengkodean prediktif geometri adhedhasar algoritma salesman lelungan, sing ditrapake kanggo intra-pigura lan antar-pigura. Kajaba iku, kita nggunakake informasi konteks global lan encoder aritmetika adaptif adhedhasar nganyari cepet konteks kanggo entuk asil komprèsi lan dekompresi tanpa komprèsi saka awan titik. Asil eksperimen nuduhake efektifitas metode kita lan kaunggulane tinimbang pasinaon sadurunge. Kanggo karya mangsa ngarep, kita rencana kanggo sinau luwih saka kerumitan sakabèhé saka algoritma, kanthi ngurangi kerumitan algoritma kanggo entuk tingkat komprèsi kacepetan dhuwur lan asil komprèsi tingkat dicokot kurang. A bit rate kurang lan nyata-wektu / kurang-tundha didhukung cara banget dikarepake ing macem-macem jinis pemandangan.

Referensi

  1. MI XX, YANG BS, DONG Z, et al. Ekstraksi wates dalan 3D otomatis lan vektorisasi nggunakake awan titik MLS [J]. Transaksi IEEE ing sistem transportasi cerdas, 2022, 23(6): 5287 – 5297. DOI: 10.1109/TITS.2021.3052882
  2. DONG Z, LIANG FX, YANG BS, et al. Registration saka gedhe-ukuran terrestrial laser scanner titik awan: a review lan pathokan [J]. Jurnal fotogrametri lan penginderaan jauh ISPRS, 2020, 163: 327–342. DOI: 10.1016/j.isprsjprs.2020.03.013
  3. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. Lan liwatview aktivitas standarisasi kompresi awan titik sing lagi ditindakake: basis video (V-PCC) lan basis geometri (G-PCC) [J]. Transaksi APSIPA babagan pemrosesan sinyal lan informasi, 2020, 9: e13
  4. DE QUEIROZ RL, CHOU P A. Kompresi awan titik 3D nggunakake transformasi hirarkis adaptif wilayah [J]. transaksi IEEE ing Processing gambar, 2016, 25 (8): 3947-3956. DOI: 10.1109/TIP.2016.2575005
  5. BLETERER A, PAYAN F, ANTONINI M, et al. Titik kompresi awan nggunakake peta ambane [J]. Pencitraan elektronik, 2016, 2016(21):1–6
  6. MEKURIA R, BLOM K, CESAR P. Desain, implementasi, lan evaluasi codec awan titik kanggo video tele-immersive [J]. transaksi IEEE ing sirkuit lan sistem kanggo teknologi video, 2017, 27 (4): 828 - 842. DOI: 10.1109 / TCSVT.2016.2543039
  7. DE QUEIROZ RL, CHOU P A. Kompresi kompensasi gerak saka awan titik voxelized dinamis [J]. transaksi IEEE ing Processing gambar, 2017, 26 (8): 3886-3895. DOI: 10.1109/TIP.2017.2707807
  8. CAO C, PREDA M, ZAHARIA T. 3D point cloud compression: survey [C]// The 24th International Conference on 3D Web Teknologi. ACM, 2019: 1–9. DOI: 10.1145/3329714.3338130
  9. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. Lan liwatview aktivitas standarisasi kompresi awan titik sing lagi ditindakake: basis video (V-PCC) lan basis geometri (G-PCC) [J]. Transaksi APSIPA babagan pemrosesan sinyal lan informasi, 2020, 9(1): e13. DOI: 10.1017/atsip.2020.12
  10. HUANG Y, PENG JL, KUO CJ, et al. Pengodean geometri progresif berbasis Octree saka awan titik [C] // Konferensi Eurographics/IEEE VGTC kaping 3 babagan Grafik Berbasis Titik. IEEE, 2016: 103–110
  11. FAN YX, HUANG Y, PENG J L. Titik kompresi awan adhedhasar hierarki titik clustering [C]//Asia-Pasifik Sinyal lan Pangolahan Informasi Association Summit Taunan lan Konferensi. IEEE, 2014: 1 – 7. DOI: 10.1109/APSIPA.2013.6694334
  12. DRICOT A, ASCENSO J. Sup segitiga multi-level adaptif kanggo kodhe awan titik berbasis geometri [C] // Bengkel Internasional kaping 21 babagan Pemrosesan Sinyal Multimedia (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901791
  13. HE C, RAN LQ, WANG L, et al. komprèsi lumahing set titik adhedhasar analisis pola wangun [J]. Piranti lan aplikasi multimedia, 2017, 76(20): 20545–20565. DOI: 10.1007/s11042-016-3991-0
  14. IMDAD U, ASIF M, AHMAD M, et al. Kompresi awan titik telung dimensi lan dekompresi nggunakake polinomial derajat siji [J]. Simetri, 2019, 11(2): 209. DOI: 10.3390/sym11020209
  15. SUN XB, MA H, SUN YX, et al. Algoritma kompresi awan titik novel adhedhasar clustering [J]. Robotika lan huruf otomatisasi IEEE, 2019, 4(2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
  16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. Pengkodean geometri awan titik 3D statis berbasis grafik [J]. Transaksi IEEE ing multimedia, 2019, 21(2): 284–299. DOI: 10.1109/TMM.2018.2859591
  17. ISO. Kompresi awan titik basis geometri (G-PCC): ISO/IEC 23090-9 [S]. 2021
  18. DRICOT A, ASCENSO J. Hybrid octre-plane point cloud geometri coding [C] // Konferensi Pemrosesan Sinyal Eropa kaping 27 (EUSIPCO). IEEE, 2019: 1–5
  19. ZHANG X, GAO W, LIU S. Partisi geometri implisit kanggo kompresi awan titik [C] // Prosiding Konferensi Kompresi Data (DCC) 2020. IEEE, 2020: 73–82. DOI: 10.1109/DCC47342.2020.00015
  20. QUACH M, VALENZISE G, DUFAUX F. Learning transforms convolutional for lossy point cloud geometri 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. 3D titik awan komprèsi geometri ing jero learning [C] // Konferensi Internasional ACM kaping 27 ing Multimedia. ACM, 2019: 890–898. DOI: 10.1145/3343031.3351061
  22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. Point cloud coding: Ngadopsi pendekatan basis learning jero [C] // Picture Coding Symposium (PCS). IEEE, 2020: 1–5. DOI: 10.1109/PCS48520.2019.8954537
  23. WANG JQ, ZHU H, MA Z, et al. Sinau komprèsi geometri awan titik [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
  24. AINALA K, MEKURIA RN, KHATHARIYA B, et al. Lapisan sing luwih apik kanggo kompresi awan titik basis octree kanthi proyeksi bidang ap⁃ proksimasi [C]//SPIE Optical Engineering+Applications. SPIE, 2016: 223–231. DOI: 10.1117/12.2237753
  25. SCHWARZ S, HANNUKSELA MM, FAKOUR-SEVOM V, et al. Pengkodean video 2D data video volumetrik [C]//Picture Coding Symposium (PCS). IEEE, 2018: 61–65. DOI: 10.1109/PCS.2018.8456265
  26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. Interpolasi data 3D sing dipandu geometri kanggo coding awan titik dinamis adhedhasar proyeksi [C] // The 7th European Workshop on Visual Information Processing (EUVIP). IEEE, 2019: 1–6. DOI: 0.1109/EUVIP.2018.8611760
  27. KATHARIYA B, LI L, LI Z, et al. Kompresi geometri awan dinamis tanpa rugi kanthi kompensasi antar lan prediksi salesman lelungan [C] // Konferensi Kompresi Data. IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
  28. ISO. Pengkodean basis video volumetrik visual (V3C) lan kompresi awan titik basis video: ISO/IEC 23090-5 [S]. 2021
  29. PARK J, LEE J, PARK S, et al. Kodhe peta pendhudhukan adhedhasar proyeksi kanggo kompresi awan titik 3D [J]. Transaksi IEIE babagan pangolahan & komputasi cerdas, 2020, 9(4): 293–297. DOI: 10.5573/ieiespc.2020.9.4.293
  30. COSTA A, DRICOT A, BRITES C, et al. Kemasan tembelan sing luwih apik kanggo standar 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. Kompresi wektu nyata saka aliran awan titik [C] // Prosiding Konferensi Internasional IEEE 2012 babagan Robotika lan Otomasi. IEEE, 2012: 778 – 785. DOI: 10.1109/ ICRA.2012.6224647
  32. PCL. Pustaka awan titik. [EB/OL]. [2023-09-01]. http://pointclouds.org/
  33. THANOU D, CHOU PA, FROSSARD P. Kompresi adhedhasar grafik saka urutan awan titik 3D dinamis [J]. transaksi IEEE ing pangolahan gambar, 2016, 25 (4): 1765-1778. DOI: 10.1109/TIP.2016.2529506
  34. LI L, LI Z, ZAKHARCHENKO V, et al. Prediksi gerakan 3D lanjutan kanggo kompresi atribut awan titik basis video [C] // Konferensi Kompresi Data (DCC). IEEE, 2019: 498–507. DOI: 10.1109/DCC.2019.00058
    ZHAO LL, MA KK, LIN XH, et al. Kompresi awan titik LiDAR wektu nyata nggunakake prediksi Bi-directional lan kode floating-point adaptif rentang [J]. Transaksi IEEE ing siaran, 2022, 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
  35. LIN JP, LIU D, LI HQ, et al. M-LVC: Prediksi pirang-pirang pigura kanggo kompresi video sing dipelajari [C] // Konferensi IEEE / CVF babagan Visi Komputer lan Pangenalan Pola. IEEE, 2020: 3543 – 3551. DOI: 10.1109/ CVPR42600.2020.00360
  36. YANG R, MENTZER F, VAN GOOL L, et al. Sinau kanggo kompresi video kanthi kualitas hirarkis lan peningkatan berulang [C] //IEEE/CVF Konferensi babagan Visi Komputer lan Pangenalan Pola. IEEE, 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
  37. KAYA EC, TABUS I. Kompresi lossless saka urutan awan titik nggunakake model CNN sing dioptimalake urutan [J]. akses IEEE, 2022, 10: 83678 –83691. DOI: 10.1109/ACCESS.2022.3197295
  38. DING S, MANNAN MA, POO A N. Kothak wates berorientasi lan deteksi interferensi global adhedhasar octree ing mesin 5-sumbu saka permukaan free-form [J]. Desain sing dibantu komputer, 2004, 36(13): 1281-1294
  39. ALEXIOU E, VIOLA I, BORGES TM, et al. Sinau lengkap babagan kinerja distorsi tingkat ing kompresi awan titik MPEG [J]. Transaksi APSIPA babagan pemrosesan sinyal lan informasi, 2019, 8: e27. doi: 10.1017/ ATSIP.2019.20
  40. PEIXOTO E. Kompresi intra-bingkai geometri awan titik nggunakake dekomposisi dyadic [J]. Surat Pangolahan Sinyal IEEE, 2020, 27: 246–250. DOI: 10.1109/LSP.2020.2965322
  41. RAMALHO E, PEIXOTO E, MEDEIROS E. Siluet 4D kanthi pilihan konteks: kompresi geometri lossless saka awan titik dinamis [J]. Surat Pangolahan Sinyal IEEE, 2021, 28: 1660 - 1664. DOI: 10.1109/ lsp.2021.3102525
  42. ISO. Kondisi uji umum kanggo dokumen G-PCC N00106: ISO/IEC JTC 1/ SC 29/WG 7 MPEG [S]. 2021

Biografi

  • ZHANG Huiran nampa gelar BE lan ME ing School of Geodesy and Geomatics lan State Key Laboratory of Information Engineering in Surveying Mapping and Remote Sensing, loro saka Universitas Wuhan, China ing taun 2020 lan 2023. Dheweke saiki dadi surveyor Institut Riset Perencanaan lan Desain Perkotaan Guangzhou, China. Kapentingan riset dheweke kalebu pangolahan data awan titik lan kompresi. Dheweke melu sawetara proyek sing ana gandhengane karo bidang penginderaan jauh lan nerbitake siji makalah ing Geomatika lan Ilmu Informasi Universitas Wuhan.
  • DONG Zhen (dongzhenwhu@whu.edu.cn) nampa gelar BE lan PhD ing bidang penginderaan jauh lan fotogrametri saka Universitas Wuhan, China ing taun 2011 lan 2018. Dheweke dadi profesor ing Laboratorium Teknik Informasi Negara ing Surveying, Mapping and Remote Sensing (LIESMARS), Universitas Wuhan. Kapentingan riset kalebu rekonstruksi 3D, pangerten pemandangan, pangolahan awan titik uga aplikasi ing sistem transportasi cerdas, kutha kembar digital, pembangunan lestari kutha lan robotika. Dheweke nampa luwih saka 10 penghargaan saka macem-macem kompetisi nasional lan internasional lan nerbitake sekitar 60 makalah ing macem-macem jurnal lan konferensi.
    WANG Mingsheng pikantuk gelar BE ing College of Computer Science and Technology saka Jilin University, China ing 2001, lan ME ing School of Computer Science and Engineering saka South China University of Technology, China ing 2004. Dheweke saiki dadi insinyur senior ing Guangzhou Urban Planning. & Design Survey Research Institute, China. Kapentingan riset kalebu aplikasi komputer lan piranti lunak, fisiografi, lan survey. Dheweke nampa luwih saka 20 penghargaan saka macem-macem kompetisi nasional lan nerbitake sekitar 50 makalah ing macem-macem jurnal lan konferensi.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, diterbitake online 8 November 2023
Naskah ditampa: 2023-09-11

Dokumen / Sumber Daya

Algoritma Pandhuan ZTE kanggo Kompresi Geometri Awan Titik Lossless [pdf] Pandhuan pangguna
Algoritma Dipandu kanggo Kompresi Geometri Awan Titik Lossless, Dipandu, Algoritma kanggo Kompresi Geometri Awan Titik Lossless, Kompresi Geometri Awan Titik Lossless, Kompresi Geometri Awan Titik, Kompresi Geometri

Referensi

Ninggalake komentar

Alamat email sampeyan ora bakal diterbitake. Kolom sing dibutuhake ditandhani *