ZTE Воден алгоритам за компресија на геометрија на облак со точки без загуби

Спецификации:

• Име на производ: Алгоритам воден од просторно-временски контекст за компресија на геометрија на облак со точки без загуби
• Автори: ЖАНГ Хуиран, ДОНГ Жен, ВАНГ Мингшенг
• Објавено: декември 2023 година
• DOI: 10.12142/ZTECOM.202304003

Упатство за употреба на производот

Вовед:
Производот е дизајниран за ефикасно да ги компресира податоците од облакот од точката, справувајќи се со предизвиците поврзани со капацитетот на просторот за складирање и пропусниот опсег на пренос на мрежата.

Главни карактеристики:

1. Режим на предвидување применлив за облаци со точки во рамките и меѓу кадрите користејќи го проблемот со продолжениот патувачки продавач.
2. Адаптивен аритметички енкодер со брзо ажурирање на контекстот за ефикасно пресметување на веројатноста и резултати од компресија.

Чекори на употреба:

Чекор 1: Поделете ги облаците во точка
Поделете ги точкастите облаци во единечни слоеви долж главната оска.

Чекор 2: Режим на предвидување на дизајнот
Дизајнирајте режим на предвидување користејќи го алгоритамот на патувачкиот продавач за да ги искористите просторните и временските вишок.

Чекор 3: Кодирајте ги остатоците
Запишете ги остатоците во текови на битови користејќи аритметички енкодер приспособлив кон контекст за компресија.

ЧПП:

• П: Кои се клучните придобивки од користењето на овој производ?
  A: Производот овозможува ефикасна компресија на податоците од облакот во точка, користејќи просторни и временски корелации за подобри резултати на компресија.
• П: Дали овој производ може да се справи со облаците со точки со една рамка и со повеќе рамки?
  A: Да, режимот на предвидување е применлив и за облаците со точки во рамките и меѓу кадрите, што овозможува разновидни сценарија за користење.

ЖАНГ Хуиран, ДОНГ Жен, ВАНГ Мингшенг

1. Институт за истражување на урбанистичко планирање и дизајн во Гуангжу, Гуангжу 510060, Кина;
2. Guangdong Enterprise Key Laboratory for Urban Sensing, Monitor⁃ ing и рано предупредување, Guangzhou 510060, China;
3. Државна клучна лабораторија за информатичко инженерство во геодетски карти⁃ пинг и далечинско набљудување, Универзитет Вухан, Вухан 430079, Кина)

Апстракт: Точка компресија на облак е од клучно значење за распоредување на 3D претстави на физичкиот свет, како што се 3D извонредно телеприсуство, автономно возење и културно наследствоtagе зачувување. Сепак, податоците од облакот од точката се дистрибуираат неправилно и неконтинуирано во просторните и временските домени, каде што вишокот незафатени воксели и слабите корелации во 3D просторот го прават предизвикувачки проблем постигнувањето на ефикасна компресија. Во овој труд, предлагаме просторно-временски контекст-воден алгоритам за компресија на геометријата на облакот без загуби. Предложената шема започнува со делење на точкастиот облак на исечени слоеви со единечна дебелина по најдолгата оска. Потоа, тој воведува метод на предвидување каде што се достапни облаците за точки во рамки и меѓу рамки, со одредување на кореспонденции помеѓу соседните слоеви и проценување на најкратката патека користејќи го алгоритамот на патувачкиот продавач. Конечно, неколкуте преостанати предвидувања ефикасно се компресираат со оптимални техники за аритметичко кодирање, водени од контекст и адаптивни брз режим. Експериментите докажуваат дека предложениот метод може ефективно да постигне компресија на геометриски информации без загуби со ниска бит-стапка и е погоден за 3D компресија на облак со точки, применлива за различни типови на сцени.
Клучни зборови: компресија на геометрија на точка облак; облаци со точка со една рамка; облаци со точки со повеќе рамки; предвидливо кодирање; аритметичко кодирање.

Цитат (формат 1): ЖАНГ ХР, ДОНГ З, ВАНГ М С. Просторно-временски контекст-воден алгоритам за компресија на геометријата на облакот со точки без загуби [J]. ZTE Communications, 2023, 21 (4): 17–28. DOI: 10.12142/ZTECOM.202304003
Цитат (формат 2): HR Zhang, Z. Dong и MS Wang, „Просторно-временски контекст-воден алгоритам за компресија на геометрија на облак од точки без загуби“, ZTE Communications, кн. 21, бр. 4, стр. 17–28, декември 2023 година. doi: 10.12142/ZTECOM.202304003.

 

Вовед

Со подобрувањето на перформансите на опремата за стекнување со повеќе платформи и повеќе резолуција, технологијата за откривање и опсег на светлина (LiDAR) може ефикасно да симулира 3D објекти или сцени со масивни групи точки. Во споредба со традиционалните мултимедијални податоци, податоците од облакот во точка содржат повеќе информации за физички мерење кои претставуваат објекти од слободни viewточки, дури и сцени со сложени тополошки структури. Ова резултира со силни интерактивни и извонредни ефекти кои на корисниците им обезбедуваат живописно и реално искуство со визуелизација. Дополнително, податоците од облакот од точка имаат посилна способност против бучава и способност за паралелна обработка, што се чини дека привлече привлечност од индустријата и академската заедница, особено за домени на апликации како што е културно наследствоtagзачувување, 3D извонредно телеприсуство и автоматско возење[1–2].
Сепак, податоците од облакот за точки обично содржат милиони до милијарди точки во просторни домени, што носи оптоварувања и предизвици за капацитетот на просторот за складирање и пропусниот опсег на пренос на мрежата. На пример, облакот со динамична точка што се користи за забава обично содржи околу еден милион точки по кадар, што, со 30 фрејмови во секунда, изнесува вкупен пропусен опсег од 3.6 Gbit/s ако се остави некомпресиран[3]. Затоа, истражувањето за високоефикасните алгоритми за компресија на геометрија за точкасти облаци има важна теоретска и практична вредност.
Претходната работа се справуваше со овој проблем со директно градење мрежи или падови на барањеampling, поради ограничувањата во компјутерската пресметковна моќ и ефикасноста на собирање облак со точки, што резултираше со ниски перформанси на просторно-временска компресија и губење на информациите за карактеристиките на геометрискиот атрибут. Неодамнешните студии главно се засноваа на компјутерска графика и техники за обработка на дигитален сигнал за да се имплементираат блок операции на облак податоци во точка[4 5] или комбинирана технологија за кодирање видео[6 7] за оптимизација. Во 2017 година, Moving Picture Experts Group (MPEG) побара предлози за компресија на облак во точка и спроведе последователни дискусии за тоа како да се компресира овој тип на податоци. Со зголемените пристапи за компресија на облак во точка достапни и презентирани, во 13 година беа издадени рамки за компресија на податоци од облак со две точки - TMC2 и TMC2018. Истражувањето погоре покажува извонреден напредок во технологијата за компресија на точка облак. Сепак, претходната работа главно се занимаваше со просторната и временската поврзаност на точкестите облаци одделно, но сè уште не беше искористена до нивниот целосен потенцијал во компресија на точкасти облаци.
За да одговориме на гореспоменатите предизвици, воведуваме просторно-временски контекст-воден метод за компресија на геометријата на облакот со точки без загуби. Прво ги делиме точкастите облаци на единечни слоеви по главната оска. Потоа дизајнираме режим на предвидување преку алгоритам на патувачки продавач, со усвојување на просторно-временска корелација. Конечно, остатоците се запишуваат во бит-струи со користен контекст-адаптивен аритметички енкодер. Нашите главни придонеси се како што следува.
1) Дизајнираме режим на предвидување применлив и за облакот со точки во рамки и меѓу кадрите, преку проблемот со продолжениот патувачки продавач (TSP). Со искористување на просторните и временските вишок на облаците на точки, геометријата може подобро да ја искористи просторната корелација и затоа да овозможи различни типови на сценарија.
2) Претставуваме адаптивен аритметички енкодер со брзо ажурирање на контекстот, кој го избира оптималниот 3D контекст од контекстуалниот речник и го потиснува зголемувањето на проценката на ентропијата. Како резултат на тоа, ја подобрува ефикасноста на пресметување на веројатноста на ентрописките енкодери и дава значителни резултати од компресија.
Остатокот од овој труд е структуриран на следниов начин. Дел 2 дава преглед на поврзаната работа за компресија на геометријата на точкасти облак. Во делот 3 најпрво е претставено надview на предложената рамка. Потоа, предложениот метод е детално опишан. Експерименталните резултати и заклучоците се претставени во делови 4 и 5, соодветно.

Поврзана работа

Во литературата се предложени многу алгоритми за компресија на геометријата на облакот. CAO и сор. [8] и ГРАЦИОСИ и сор. [9] спроведе истрага и резиме на тековните методи за компресија на облак во точка, фокусирајќи се на технологијата за компресија на просторна димензија и рамки за стандардизација на MPEG, соодветно. Ние обезбедуваме краток реview на неодамнешните случувања во две категории: компресија на облак со точка со една рамка и компресија на облак со точка со повеќе рамки.

1. Компресија на облак со точка со една рамка
   Облаците со точка со една рамка се широко користени во инженерски истражувања, културно наследствоtagзачувување, географски информациски системи и други сценарија. Октрицата е широко користена податочна структура за ефикасно претставување на облаците на точки, кои може да се компресираат со снимање на информации низ окупираните јазли. ХУАНГ и сор.[10] предложи метод заснован на октри кој рекурзивно го дели облакот на точки на јазли со нивните позиции претставени со геометрискиот центар на секоја единица. FAN et al.[11] дополнително да го подобри овој метод со воведување на кластерска анализа за да генерира хиерархија на ниво на детали (LOD) и да ја шифрира по прв ред на ширина. Сепак, овие методи може да предизвикаат изобличување поради приближувањето на оригиналниот модел за време на итеративниот процес.
   За да се решат овие ограничувања, научниците воведоа карактеристики на геометриска структура, како што се - моделот на триаголна површина[12], моделот на рамна површина[13 14] и алгоритам за кластерирање[15], за меѓуслојно предвидување и преостаната пресметка . RENTE и сор.[16] предложи концепт на прогресивна слоевита компресија која прво ја користи структурата на октри за грубо шифрирање, а потоа го користи графикот Фуриеова трансформација за компресија и реконструкција на деталите на облакот. Во 2019 година, MPEG ја објави технологијата за компресија на облак со точки заснована на геометрија (G-PCC) и за статични и за динамички облаци на точки, која се спроведува преку трансформација на координати, вокселизација, анализа на геометриска структура и аритметичко кодирање чекор по чекор[17].
   Со оглед на тоа што одредени октанти во една окта може да бидат ретко населени или дури и празни, предложени се некои методи за оптимизирање на структурата на дрвото со кастрење на подјазлите и затоа зачувување на распределбата на меморијата. За прample, DRICOT et al. [18] предложи заклучен режим на директно кодирање (IDCM) за завршување на партицијата на октри врз основа на предефинирани услови за анализа на скудност, што вклучува кастрење на структурата на октри за да се зачуваат битови доделени на детските јазли. ЖАНГ и сор. [19] предлагаат поделување на точката облак простор по главните компоненти и прилагодување на методот на поделба од бинарното стебло, четворно дрво и октри. Во споредба со традиционалната поделба на октри, хибридните модели споменати погоре можат ефективно да го намалат бројот на битови што се користат за прикажување на ретки точки, па затоа се заштедуваат јазли што треба да се кодираат. Меѓутоа, во процесот се потребни сложени услови на хиперпараметар и определување на режимот, што го отежнува исполнувањето на барањата за самоадаптација и мала сложеност.
   Со длабоките невронски мрежи што прават значителни чекори во компресија на слики и видео, истражувачите истражија начини за дополнително намалување на бит-стапките преку искористување на супер претходните насоки и вишокот на латентен простор за време на процесот на компресија. QUACH и сор.[20] и ХУАНГ и сор.[21] предложи методи кои ги инкорпорираат овие концепти. GUARDA и сор. комбинираат конволутивни невронски мрежи и автоенкодери за да го искористат вишокот помеѓу соседните точки и да ја подобрат приспособливоста на кодирањето во Реф. [22]. Неодамна, WANG и сор. [23] предложи метод за компресија на облак во точка базиран на варијацискиот авто-енкодер, кој го подобрува односот на компресија со учење на хиперприор и намалување на потрошувачката на меморија на аритметичко кодирање. Горенаведените методи користат енкодери на невронска мрежа за да го доловат скриениот вектор од висок ред на точкастиот облак, веројатностите на моделот на ентропија и чиишто веројатности на рабовите подобро се вклопуваат, со што се намалува потрошувачката на меморија на аритметичко кодирање. Општо земено, истражувањето за геометриска компресија на облак со точка со една рамка е релативно зрело, но има два предизвици кои сè уште остануваат. Просторната корелација не е ефикасно искористена, а повеќето методи не ја кодираат корелацијата на податоците од облакот од точките темелно и ефикасно. Освен тоа, пресметувањето на моделот на веројатност за ентропија кодирање изгледа долго и напорно поради огромниот број контексти.
2. Компресија на облак со точка со повеќе рамки
   Облаците со точки со повеќе рамки најчесто се користат во сценарија како што се 3D потопливо телеприсуство во реално време, интерактивна VR, 3D бесплатно viewточка емитување и автоматско возење. За разлика од компресијата на облак во точка со една рамка, компресијата на облак со точки со повеќе рамки дава приоритет на употребата на временската корелација, како и на проценката и компензацијата на движењето. Постоечките методи за компресија на облак со точки со повеќе рамки може да се поделат во две категории: 2D проекција и 3D декорелација.
   Полето на компресија на слики и видео е обемно и е добро истражено во последните неколку децении. Различни алгоритми конвертираат точкасти облаци во слики и потоа директно ги компресираат со FFmpeg и H. 265 енкодери, итн. AINALA и сор. . Сепак, овој метод предизвикува промени во обликот на целта за време на процесот на мапирање, што го отежнува точното меѓусебно предвидување. Затоа, SCHWARZ et al.[24] и SEVOM et al.[25] предложи ротирана рамна проекција, проекција на коцки и методи на проекција базирани на лепенка за да ги конвертирате точките облаци во 26D видеа, соодветно. Со поставување слични проекции во соседните рамки на иста локација во соседните слики, видео компресорот може целосно да ја отстрани временската корелација. Во Уп. [2], меѓугеометриското предвидување се спроведува преку TSP, кој ја пресметува кореспонденцијата еден-на-еден на соседните внатре-блокови со пребарување на блокот со најблиската просечна вредност. MPEG ја објави технологијата за компресија на облак со точки (V-PCC) базирана на видео за динамични облаци со точки во 27 година[2019]. Оваа рамка го дели облакот на влезната точка на мали блокови со слични нормални вектори и континуиран простор, а потоа ги претвора во рамна површина преку коцки за да ја сними сликата за зафаќање и помошните информации. Сите добиени слики се компресирани со зрели видео кодеци и сите битстримови се собрани во еден излез file. Направени се и други обиди за подобрување на ефикасноста на овие методи. COSTA et al.[29] искористете неколку нови стратегии за пакување закрпи од перспектива на оптимизација за алгоритмот за пакување, врски за пакување податоци, поврзани сортирање и индикатори за позиционирање. Понатаму, PARK et al. [30] дизајнира метод на пакување приспособлив за податоци кој приспособливо ги групира соседните рамки во истата група според структурната сличност без да влијае на перформансите на протокот V-PCC. Поради неизбежната загуба на информации предизвикана од проекција на облак во точка, научниците развија ефективни техники за компресирање на секвенцата на точкести облак од последователни рамки користејќи технологија за компензација на движење базирана на 3D простор. КАМЕРЛ и сор.[31] предложи метод на геометриско кодирање базиран на октри, кој постигнува висока ефикасност на компресија со извршување на ексклузивните разлики ИЛИ (XOR) помеѓу соседните рамки. Овој метод не само што е прифатен во популарната Point Cloud Library (PCL)[32] туку и широко се користи за понатамошно истражување на алгоритам. Други пристапи на интеррамки го претвораат проблемот со 3D проценка на движење во проблем со совпаѓање на карактеристики[33] или користат реконструирани геометриски информации[34] за да се предвидат вектори на движење и прецизно да се идентификува соодветната врска помеѓу соседните рамки. Неодамнешните експлозивни студии[35 36] покажаа дека научената видео компресија нуди подобри перформанси за изобличување на стапката во однос на традиционалните, што носи значајно референтно значење за компресија на облак во точка. ЖАО и сор.[37] воведување двонасочна мрежа за предвидување меѓу рамки за да се изврши предвидување меѓу кадрите и да се донесе ефективно користење на релевантните информации во просторни и временски димензии. КАЈА и сор. [38] дизајнира нова парадигма за кодирање на геометриски карактеристики на секвенци на облак со густа точка, оптимизирајќи го CNN за проценка на дистрибуцијата на кодирање за да се реализира компресија без загуби на облаците со густа точка.
   И покрај напредокот во технологијата за кодирање на компресија кај моделите на облак со точки со повеќе рамки, постојат два проблеми. Постојните пристапи за компресија на облак со точки со повеќе рамки главно се потпираат на видео кодирање и компензација на движење, што неизбежно вклучува губење или изобличување на информациите предизвикани од мапирање и блокирање на рабовите дисконтинуитети. Дополнително, предвидливото кодирање покажува мала применливост поради недоследноста на геометријата на облакот меѓу точките на рамката. Очигледното поместување на точките помеѓу кадрите и неизбежниот шум ја зголемуваат тешкотијата за ефективно користење на предвидливо кодирање при компресија меѓу кадрите.

Предложен метод за компресија на облак со геометрија точка без загуби во просторно-временски контекст

Во текот наview
Целокупниот цевковод на нашиот просторно-временски контекст-воден алгоритам е прикажан на Сл. 1. Прво, го обработуваме облакот на влезната точка со примена на вокселизација и трансформација на скалата. Потоа, точкестиот облак е поделен на слоеви со единечна дебелина долж главната оска. Следно, ние дизајнираме режим на предвидување што целосно ги користи информациите за временската и просторната корелација и во рамките на рамката и меѓу рамката. Ние ја пресметуваме најкратката патека на точките на референтните слоеви (R-слоеви) преку алгоритмите на патувачкиот продавач, а резултатите од R-слоевите потоа се користат за просторновременско предвидување и кодирање на остатокот од облаците на точки, имено предвидените слоеви (P-слоеви ). Конечно, подобрените алгоритми за кодирање на ентропијата се усвоени за да се добие компресирана бинарност file.

Хиерархиска поделба базирана на исечени слики

1. Претходна обработка
   Модулот за претходна обработка вклучува вокселизација и трансформација на скалата, за подобро индексирање на секоја одредена точка. При вокселизација, просторот го делиме на коцки со големина N, што одговара на вистинската резолуција на точкастиот облак. На секоја точка и е доделен единствен воксел врз основа на нејзината позиција. Воксел се запишува како 1; ако е позитивно зафатено, во спротивно е 0. Трансформацијата на скалата може да ја намали скудноста за подобра компресија со одзумирање на облакот на точката, каде што растојанието помеѓу точките станува помало. Ги собираме координатите на облакот во точка ( x, y, z) користејќи фактор на скалирање s, т.е.
   За да обезбедиме компресија без загуби, треба да се осигураме дека факторот на скалирање s не може да предизвика губење на геометријата и треба да се запише во заглавието file.
2. Поделба на исечени слоеви
   Овој модул работи на тој начин што го дели облакот со 3D точки по една од неговите оски, создавајќи неколку слоеви исечени на единици само со зафатени и незафатени информации кои можат дополнително да се компресираат со помош на предвидувачки енкодер и аритметички кодер. Функцијата е дефинирана како:
   каде што G се однесува на координативната матрица на облакот на влезната точка, оската се однесува на избраната димензија, а S (a, b) е 2D парче извлечено од секој слој. Општо земено, ние спроведуваме експерименти на голем број тест секвенци, а резултатите сугерираат дека поделбата по најдолгата оска на точкасти облак просторна варијација дава најниска брзина на битови, т.е.
3. Извлекување на минимална гранична кутија
   Во повеќето случаи, окупираните воксели обично се неизбежни и значително ги надминуваат зафатените воксели. Како резултат на тоа, обработката и кодирањето на двата типа на воксели истовремено ја оптоварува комплексноста на пресметките и брзината на кодирање на алгоритмот за компресија. Затоа, ја прифаќаме ориентираната рамка за ограничување (OBB) [39] за да го пресметаме минималното ограничувачко поле за секој исечен слој, осигурувајќи дека насоките на кутиите за ограничување се конзистентни низ слоевите. Во последователната обработка, само вокселите лоцирани во ограничениот правоаголник се компресирани.

Предвидливо кодирање водено од просторен контекст

Целта на предвидливото кодирање водено од просторен контекст е да ги кодира сите точки слој по слој. Инспирирани од TSP, дизајнираме режим на предвидување за да ги истражиме потенцијалните нарачки и корелација во секој исечен слој. Овој модул се состои од партиција и пресметка на најкратката патека.
Најпрво ги поделуваме исечените слоеви и ги одредуваме R-слојот и R-слоевите за секоја група. Го поминуваме облакот на точката слој по слој по избраната оска. Кога должината на главната насока на минималното гранично поле помеѓу соседните слоеви се разликува за одредена единечна должина, таа се запишува како иста група. Инаку, се користи како референтен слој на следната група, а секој облак со точки во следната група ја користи истата најкратка патека. Во овој труд, првиот слој од секоја група го поставивме како R-слој, а другите како P-слоеви. Ние, исто така, спроведуваме експерименти на голем број тестови и препорачуваме да го поставите овој наведен параметар како 3 единици за да се добие најдобрата компресија.
Потоа, ја правиме пресметката на најкратката патека на R-слоевите и ги евидентираме остатоците од играчите. Според регулацијата на дистрибуцијата на точкастиот облак на секој слој на парче, оптимално ги распоредуваме облаците со неправилни точки за секој слој на парче врз основа на алгоритмот TSP. Ова ни овозможува ефикасно да го пресметаме најкраткиот пат до облакот на точките на R-слоевите, а потоа да ги снимиме остатоците од соодветните слоеви за предвидување. Алгоритам 1 го прикажува псевдо-кодот на постапката за предвидување.

Прво, го дефинираме правилото за пресметка на растојанието помеѓу точките во локалната област и ја иницијализираме состојбата на патеката со случајно избрана точка pc1. Во секое повторување, секогаш кога се додава нова точка pci, пермутацијата динамички се ажурира преку патеката на равенката за транзиција на состојбата (P – i, i) додека сите додадени точки не се запишат во P по редоследот на најкратката патека. Овој процес постепено се менува врз основа на критериумот за минимално растојание. Откако ќе се завршат сите повторувања во вкупната најкратка патека, го пресметуваме мин dist(pci, pcj ) во секој од R-слоевите и вратете ја табела за евиденција на најкратката патека на облаците на точки во секој од R-слоевите. За понатамошна компресија, го пресметуваме отстапувањето на P-слоевите од најкратката патека на R-слојот во рамките на истата група и ги евидентираме како предвидливи остатоци. Конечно, најкратката патека на Rlayer и остатоците од секоја група излегуваат и се пренесуваат на ентропијата енкодер за дополнително да се компресираат остатоците од предвидувањето.

Предвидливо кодирање воден од просторно-временски контекст
Режимот на предвидување воден од просторен контекст шифрира
облаци со точка со една рамка поединечно. Сепак, примената на просторно кодирање на секој облак со точки со една рамка одделно може да ги пропушти можностите изложени од временските корелации низ облакот со повеќе точки на рамка. Имајќи предвид дека облакот со точки со повеќе рамки споделува големи делови од преклопувања, ние се фокусираме на користење на временска вишок за дополнително подобрување на ефикасноста на компресија. Оттука, врз основа на предложениот режим на предвидување воден од просторен контекст, можеме да го компресираме облакот со повеќерамни точки со идентификување на кореспонденција помеѓу соседните слоеви низ рамки.

1. Поделба меѓу рамки
   За да се подобри ефективноста на режимот за предвидување меѓу кадрите, од клучно значење е да се обезбеди соодветна сличност помеѓу соседните⁃центни слоеви на кадри. Како резултат на тоа, треба да ги поделиме групите помеѓу соседните рамки и да ги одредиме R-слоевите и P-слоевите низ рамки. Со проценка на најкратката патека на P-слоевите врз основа на најкратката патека на R-слоевите, ги снимаме остатоците од предвидувањето и дополнително ги компресираме преку ентропијата енкодер. Алгоритмот 2 го прикажува псевдокодот на партицијата меѓу рамки.
   Врз основа на порамнувањето на ориентација со исечени слоеви, ние реализираме груба преграда и фина преграда последователно. За груба поделба, ги сортираме исечените слоеви на секоја рамка врз основа на координатите што одговараат на оските на поделба, од мали до големи. Како резултат на тоа, секој слој на парче од секоја рамка има единствен број на слој, што ни овозможува грубо да ги поделиме слоевите на парчиња со ист број помеѓу соседните рамки. Потоа, ја пресметуваме разликата помеѓу должините на главната оска на минималните гранични кутии на соседните слоеви со ист број. Ако оваа вредност е помала или еднаква на одредена единица должина, слоевите ќе бидат поделени во истата група. Инаку, ја споредуваме разликата во должината на главната насока оска на минималната гранична кутија во соодветниот слој на соседната рамка со наведениот слој пред и по бројот во соседната рамка. Слојот со најмала разлика потоа се дели во истата група. Ова обезбедува фина преграда помеѓу соседните слоеви и така да се реализира фината партиција на соседната врска.
2. Просторно-временски контекст-воден режим на предвидување
   Врз основа на партицијата, го применуваме и прошируваме режимот на предвидување споменат во Дел 3.3. Ние го вклучуваме контекстот меѓу рамки во процесот, што значи дека првиот слој од секоја група, кој служи како R-слој, не мора да го даде најдобриот резултат на предвидување. За целосно да ја истражиме потенцијалната корелација помеѓу соседните слоеви, треба да го изложиме оптималниот режим на предвидување.
   Прво, ги пресметуваме преостанатите предвидувања за секој исечен слој во тековната група кога се користи како R-слој. Со споредување на остатоците од предвидувањето во сите случаи, го избираме R-слојот со најмала апсолутна преостаната вредност како најдобар режим на предвидување. За пресметување на најкратката патека на R-слој, го користиме алгоритамот на патувачкиот продавач за да ја пресметаме најкратката патека на R-слоевите во најдобриот режим на предвидување. Покрај тоа, ние ги пресметуваме остатоците од предвидувањето за секоја група според нивните најдобри начини на предвидување. Ние, исто така, ги снимаме информациите за должината на зафатеноста и R-слојот на секоја група за понатамошна компресија при последователна обработка. Во последователната операција, ние користиме аритметичко кодирање засновано на најдобриот избор на контекст за горенаведените информации за да го завршиме целиот процес на алгоритам за компресија на облакот со повеќе точки на геометрија.

Аритметичко кодирање врз основа на контекстуален речник
Огромното количество контекст во облакот на точки значително ја оптоварува целокупната шема за компресија во однос на сложеноста на пресметковното аритметичко кодирање. Го подобруваме аритметичкото кодирање од следните два модула. 1) Поставуваме контекстуален речник и ја избираме и ажурираме глобалната оптимална вредност според проценката на ентропијата, а потоа 2) прифаќаме адаптивни енкодери за ефикасно пресметување на горните и долните граници на веројатностите.

1. Конструкција на контекстуален речник
2. Конструираме контекстуален речник кој претставува тројна редица, која се состои од координати на облакот за точки на секој исечен слој и целобројна репрезентација на неговиот соодветен непразен контекст. Така, ние ги поврзуваме вокселите содржани во облакот за точки со минималното гранично поле на секој слој со неговиот непразен контекст. За да ја илустрираме конструкцијата на тројната редица низа на контекстуалниот речник јасно, даваме интуитивно објаснување на Сл. 2. За засенчените два квадрати на слика 2, се земаат предвид само позициите на контекстната карта pc1 и pc2. Контекстуалниот придонес долж оската x и y-оската се запишува во двете редици QX – и QY – соодветно. Така контекстуалниот речник се состои од QX – и QY -. Елементите на редот со исти координати се интегрирани во тројка, чијашто контексна репрезентација на цел број се пресметува како збир од контекстните придонеси на споената тројка.
   Затоа, контекстот на секој воксел може да се пресмета како збир од независните придонеси на окупираните воксели во неговиот контекстуален речник. Оваа структура помага да се одреди дали воксел треба да се додаде во контекстуалниот речник без досадни пребарувања на матрици, што резултира со значително намалување на сложеноста на компјутерите и времето на работа.
3. Пресметка на веројатност
   За да се пресмета веројатноста за ентропија, мора да се земат предвид и должината на низата и контекстот на нејзините составни воксели. Во овој модул, ние дизајнираме адаптивен енкодер кој прво ги проценува горните и долните кумулативни граници на веројатноста за секоја група од контекстниот речник, а потоа го шифрира последователно. Прво, конструираме бинарно дрво врз основа на моделот на Марков синџир. Со преминување на зафатеноста на воксели, ние доделуваме вредности од 1 и 0 на зафатените и празните воксели, соодветно, и ја пресметуваме веројатноста врз основа на структурата на дрвото. Почнувајќи од коренскиот јазол, кога е зафатен воксел, го снимаме левиот детски јазол како 1. Во спротивно, десниот детски јазол го означуваме како 0 и продолжуваме кон следниот чекор на расудување и делење. Формулата за пресметка за веројатноста за испуштање на зафатените воксели може да се најде во равенката. (4).

За должини помали или еднакви на n, може да има 2n јазли на дрво што ги претставуваат состојбите на зафатеност на воксели. Според тоа, веројатноста за кој било окупиран воксел е претставена со независна заедничка веројатност да ги помине сите состојби почнувајќи од коренот и завршувајќи на кој било јазол на дрвото без деца. Врз основа на равенката. (4), за да извршиме аритметичко кодирање на зафатеноста на вокселната низа, потребни ни се кумулативните горни и долни веројатности на низата, како што е прикажано во равенката. (5).

Користејќи го овој пристап, можеме да ги искористиме адаптивните својства на аритметичкото кодирање за да ја прилагодиме вредноста на проценката на веројатноста на секој симбол врз основа на оптимизираниот модел за проценка на веројатноста и фреквенцијата на секој симбол во тековната низа на симболи. Ова ни овозможува да ги пресметаме горните и долните граници на кумулативната веројатност на окупираните воксели и да го завршиме процесот на кодирање.

Експериментирајте

Детали за имплементација

1. Збир на податоци. За да се потврди ефикасноста на нашиот предложен метод, беа спроведени опсежни експерименти преку 16 точки на облак збирки на податоци што може да се преземат од Реф. [40], како што е прикажано на слика 3, на која Сл. 3(а)– 3(л) се портрети со густи точки, а Сл. 3(m) – 3(p) се архитектура со ретки точки. Сл. 3(a) – 3(h) се вокселизирани горните тела точка облак податочни секвенци од две просторни резолуции добиени од Microsoft. Сл. 3(i)– 3(l) се избираат од 8i вокселизирани полни тела точка облак секвенци на податоци. Останатите облаци со ретки точки од големи размери на Сл. 3(k)– 3(p) се статични збирки на податоци за фасади и архитектура.
2. Метрика за евалуација. Перформансите на предложениот метод се оценуваат во однос на бит по точка (BPP). BPP се однесува на збирот на битови окупирани од координатните информации прикачени на точката. Колку е помала вредноста, толку подобри перформанси. каде што Sedig го претставува бројот на битови окупирани од координатните информации на податоците од облакот за точки, а k се однесува на бројот на точки во оригиналниот облак за точки.
3. Репери. Ние главно го споредуваме нашиот метод со други основни алгоритми, вклучувајќи: PCL-PCC: компресија базирана на октри во PCL; G-PCC (MPEG тест модел на интра-кодери) и interEM (MPEG модел за тестирање интер-кодери) се насочени кон компресирање на облак со точка со една рамка и повеќе рамки; Silhouette 3D (S3D)[41] и Silhouette 4D (S4D)[42] имаат за цел компресија на облак со една рамка и точка со повеќе рамки, соодветно.
   За PCL, го користиме пристапот за компресија на облак од октри точка во PCL-v1.8.1 само за компресија на геометрија. Поставуваме параметри за резолуција на октри од прецизноста на точката и резолуцијата на воксели. За G-PCC (TM13-v11.0), избираме геометрија без загуби — Состојба на атрибути без загуби во режим на предвидување октри, оставајќи ги параметрите како стандардни. За interEM (tmc3v3.0), ги користиме експерименталните резултати во услови на геометрија без загуби и атрибути без загуби како споредба[43]. За S3D
   и S4D, ги следиме стандардните услови и параметри.
4. Хардвер. Предложениот алгоритам е имплементиран во Matlab и C++ користејќи некои функции на PCL-v1.8.1. Сите експерименти се тестирани на лаптоп со Intel Core i7-8750 CPU @2.20 GHz со 8 GB меморија.

Резултати од компресија на облак со точка со една рамка

1. Резултати од компресија на портрети на секвенци на податоци од облак со густа точка
   Табела 1 ги прикажува перформансите на нашите алгоритми за компресија на геометријата на облак со точки без загуби во просторен контекст во споредба со методите PCL-PCC, G-PCC и S3D на портрети на секвенци на податоци од облак со густа точка. Од Табела 1 може да се види дека за сите точки облак од истите секвенци, предложениот метод постигнува најниска BPP на компресија во споредба со другите методи. Нашиот алгоритам нуди просечни добивки од -1.56% до -0.02% во однос на S3D, и добивки од -10.62% до -1.45% во однос на G-PCC. Тоа покажува поочигледна предностtage, односно, придобивките од перформансите на компресија на предложениот алгоритам се движат од -10.62% до - 1.45%; За PCL-PCC, предложениот алгоритам покажува речиси двојно зголемување на сите секвенци, во опсег од -154.43% до -85.39%.
2. Резултати од компресија на податоци од облак со ретка точка од големи размери
   Бидејќи S3D не може да работи во овој случај, ние само го споредуваме нашиот алгоритам за компресија на облак со геометриска точка без загуби, управуван од просторен контекст со методите PCL-PCC и G-PCC на податоци од облак со ретка точка од големи размери. Повторно, нашиот алгоритам постигнува значителни перформанси со G-PCC и PCL-PCC, како што е прикажано во Табела 1. Резултатите покажаа дека просечните добивки на BPP кои се движат од - 8.84% до -4.35% се заробени во споредба со G-PCC. За PCL- PCC, нашиот предложен алгоритам покажува поочигледна предностtages, со добивки кои се движат од -34.69% до -23.94%.
3. Резиме
   За да се обезбеди поразбирлива споредба на резултатите од компресија на облак со една рамка точка, Табела 2 ги прикажува просечните резултати помеѓу нашиот метод на компресија водена од просторен контекст и другите најсовремени репери методи. Во споредба со S3D, нашиот предложен метод покажува просечни добивки кои се движат од - 0.58% до - 3.43%. Што се однесува до G-PCC и PCL-PCC, просечните добивки достигнуваат најмалку − 3.43% и −95.03%, соодветно. Експерименталната анализа открива дека нашиот метод на компресија во просторен контекст ги надминува сегашните S3D, G-PCC и PCL-PCC со значителна маргина. Така, може да ги задоволи барањата за компресија без загуби на геометријата на точкасти облак за различни типови сцени, на пр., густи или ретки дистрибуции, а ефективноста на нашиот метод постојано останува.
4. Резултати од компресија на облак со точка со повеќе рамки
   Го оценуваме нашиот предложен алгоритам за компресија на облак геометрија на точка со просторно-временски контекст наспроти постоечките алгоритми за компресија како што се S4D, PCL-PCC, G-PCC и interEM. Во овој експеримент се користат само портрети на секвенци на податоци од облак со густа точка. Резултатите се илустрирани во.

Табела 1. BPP споредби на нашиот просторен контекст-воден алгоритам за компресија и основните методи.

Табела 2. Споредба на BPP со најсовремени алгоритми на податоци за облак со точка со една рамка.

Табела 3. Како што можеме да видиме, по оптимизациите во режимот на предвидување и аритметичкиот енкодер, предложениот алгоритам покажува супериорност на сите тест секвенци. Поточно, во споредба со interEM и G-PCC, предложениот алгоритам покажува значителни придобивки кои се движат од -51.94% до -17.13% и -46.62% до -5.7%, соодветно. Во споредба со S4D, предложениот алгоритам покажува робусно подобрување кое се движи од -12.18% до -0.33%. Што се однесува до PCL-PCC, нашиот предложен алгоритам е речиси преполовен во текот на сите тест секвенци.
Понатаму, ги сумираме резултатите од компресија и придобивките од предложениот метод на секвенците на податоци облак со густа точка на портретот, наведени во Табела 4. Во просек, тој обезбедува добивки помеѓу -11.5% и -2.59% во споредба со просторниот контекст воден од облакот. алгоритам за компресија на геометрија предложен претходно. Покрај тоа, тој покажува супериорни просечни добивки од - 19% во споредба со G-PCC и постигна просечна добивка на кодирање од -24.55% во споредба со interEM. Дополнително, во споредба со S3D и S4D, тој добива повеќе од −6.11% и −3.64% во просек соодветно. Целокупната експериментална анализа покажува дека методот на компресија на точката на облак со просторно-временски контекст може целосно да ја искористи просторната и временската корелација на соседните слоеви во рамките на внатре и меѓу рамки. Исто така, го подобруваме глобалниот избор на контекст и моделот на веројатност на аритметичкиот енкодер за да добиеме помала бит-стапка. Предложениот метод ги надминува перформансите на најсовремените алгоритми, за да се задоволат барањата за компресија без загуби во геометрија на точка облак во сценарија за мултимедијални апликации, како што се динамични портрети.

Табела 3. Споредби на бит-по-точка на нашиот просторно-временски контекст-воден алгоритам за компресија и основните методи.

Табела 4. Споредба на бит-по-точка со најсовремени алгоритми на податоци од облак со точки со повеќе рамки.

Студија за аблација
Ние вршиме студии за аблација за предвидливо кодирање преку 8i вокселизирани секвенци на податоци облак со точка на целото тело за да ја демонстрираме ефикасноста на партицијата. Од Табела 5 може да се види дека подобрувањето покажува стабилно засилување од -70% при компресија на облак со повеќекратни точки и - 60% при компресија на облак со точка со една рамка во однос на предвидливото кодирање без партиција.
Следно, изведуваме експеримент за аблација за аритметичко кодирање за да ја покажеме ефективноста на контекстуалниот речник. Како што е прикажано во Табела 6, во нашиот метод е забележано силно подобрување од -33% на компресија на облак со точки со повеќе рамки и тоа од -41% на компресија на облак со точка со една рамка во однос на аритметичкото кодирање без контекстуален речник.

Потрошувачка на време
Ја тестираме потрошувачката на време за да ја оцениме сложеноста на алгоритмот и да ги споредиме предложените методи со други. Комплексноста на алгоритмот се анализира со енкодери и декодери независно, наведени во Табела 7. Како што можеме да видиме, G-PCC, interEM и PCL-PCC можат да постигнат време на кодирање помало од 10 секунди и време на декодирање помало од 5 секунди за Податоци од облак со густа точка со портрет. Тие, исто така, работат добро со големи податоци за облак со ретка точка во споредба со другите. На нашите предложени алгоритми им требаат околу 60 секунди и 15 секунди за кодирање и декодирање на секвенците на портрет, уште повеќе за податоците од облакот за точки на фасада и архитектура. Постои компромис помеѓу бит-стапките и брзината на компресија. Во споредба со S3D и S4D, на кои им се потребни стотици секунди за да се кодираат, нашиот метод кој одзема многу време може да покаже супериорност.
Накратко, потрошувачката на време на нашите предложени методи е средна меѓу сите споредени алгоритми, но сепак е неопходно дополнително да се подобри.

Заклучоци

Во овој труд, ние предлагаме просторновременски контекст-воден метод за компресија на геометрија на облак од точки без загуби. Го сметаме облакот со исечена точка со дебелина на единицата како влезна единица и го усвојуваме режимот за предвидувачко кодирање на геометријата заснован на алгоритмот на патувачкиот продавач, кој се применува и за внатре и меѓу рамката. Освен тоа, целосно ги користиме информациите за глобалниот контекст и адаптивниот аритметички енкодер заснован на контекстно брзо ажурирање за да постигнеме резултати од компресија и декомпресија без загуби на облаците од точки. Експерименталните резултати ја покажуваат ефективноста на нашите методи и нивната супериорност во однос на претходните студии. За идната работа, планираме дополнително да ја проучуваме целокупната сложеност на алгоритмот, со намалување на сложеноста на алгоритмот за да постигнеме брзина на компресија со голема брзина и резултати од компресија со ниска бит-стапка. Ниска бит-стапка и поддржан метод во реално време/ниско доцнење е многу посакуван во различни типови на сцени.

Референци

1. MI XX, YANG BS, DONG Z, и сор. Автоматизирано 3D извлекување и векторизација на границите на патиштата со помош на облаци со точки на MLS [J]. IEEE трансакции на интелигентни транспортни системи, 2022, 23(6): 5287 – 5297. DOI: 10.1109/ TITS.2021.3052882
2. DONG Z, LIANG FX, YANG BS, et al. Регистрација на облаци на точки на копнени ласерски скенери од големи размери: а реview и репер [J]. ISPRS списание за фотограметрија и далечинско набљудување, 2020 година, 163: 327- 342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. ГРАЦИОСИ Д, НАКАГАМИ О, КУМА С, и др. Надview на тековните активности за стандардизација на компресија на облак во точка: видео-базирани (V-PCC) и базирани на геометрија (G-PCC) [J]. Трансакции на APSIPA за обработка на сигнали и информации, 2020 година, 9: e13
4. DE QUEIROZ RL, CHOU P A. Компресија на облаци со 3D точки со помош на хиерархиска трансформација приспособлива за регионот [J]. IEEE трансакции за обработка на слики, 2016, 25(8): 3947–3956. DOI: 10.1109/TIP.2016.2575005
5. BLETTERER A, PAYAN F, ANTONINI M, et al. Точка компресија на облак со помош на мапи на длабочина [J]. Електронско снимање, 2016, 2016 (21): 1–6
6. MEKURIA R, BLOM K, CESAR P. Дизајн, имплементација и евалуација на кодек во облак со точки за теле-имерзивно видео [J]. IEEE трансакции на кола и системи за видео технологија, 2017 година, 27(4): 828 – 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL, CHOU P A. Компресија компензирана со движење на динамички вокселизирани точки облаци [J]. IEEE трансакции за обработка на слики, 2017, 26 (8): 3886–3895. DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. Компресија на облак во 3D точка: анкета [C]// 24-та меѓународна конференција за 3D Web Технологија. ACM, 2019: 1–9. DOI: 10.1145/3329714.3338130
9. ГРАЦИОСИ Д, НАКАГАМИ О, КУМА С, и др. Надview на тековните активности за стандардизација на компресија на облак во точка: видео-базирани (V-PCC) и базирани на геометрија (G-PCC) [J]. Трансакции на APSIPA за обработка на сигнали и информации, 2020 година, 9(1): e13. DOI: 10.1017/atsip.2020.12
10. HUANG Y, PENG JL, KUO CJ, et al. Прогресивна геометрија заснована на октри кодирање на облаци на точки [C]//3-та Eurographics/IEEE VGTC конференција за графика базирана на точки. IEEE, 2016: 103–110
11. FAN YX, HUANG Y, PENG J L. Точка компресија на облак врз основа на хиерархиско групирање на точки [C]//Годишен самит и конференција на Здружението за обработка на сигнали и информации од Азија-Пацифик. IEEE, 2014: 1 - 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. Приспособлива супа од триаголник со повеќе нивоа за кодирање на облак со точки засновано на геометрија [C]//21-та меѓународна работилница за обработка на мултимедијални сигнали (MMSP). IEEE, 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, и сор. Површинска компресија на множество со точки врз основа на анализа на шаблоните на обликот [J]. Мултимедијални алатки и апликации, 2017, 76(20): 20545–20565. DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al. Компресија и декомпресија на облак од тридимензионални точки со помош на полиноми од еден степен [J]. Симетрија, 2019 година, 11 (2): 209. DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX, и сор. Нов алгоритам за компресија на облак со точки базиран на кластерирање [J]. Писма за роботика и автоматизација на IEEE, 2019 година, 4 (2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. Статично 3D-точка облаци геометрија кодирање [J]. IEEE трансакции на мултимедија, 2019 година, 21 (2): 284–299. DOI: 10.1109/TMM.2018.2859591
17. ISO. Компресија на облак со точка заснована на геометрија (G-PCC): ISO/IEC 23090-9 [S]. 2021 година
18. DRICOT A, ASCENSO J. Кодирање на геометрија на облак со хибридна октри-рамнина [C]//27-та Европска конференција за обработка на сигнали (EUSIPCO). IEEE, 2019: 1–5
19. ZHANG X, GAO W, LIU S. Поделба со имплицитна геометрија за компресија на облак во точка [C]// Зборник на трудови од 2020 година конференција за компресија на податоци (DCC). IEEE, 2020: 73–82. DOI: 10.1109/DCC47342.2020.00015
20. QUACH M, VALENZISE G, DUFAUX F. Учење конволуциони трансформации за компресија на геометријата на облак со загуби во точка [C]// Меѓународната конференција на IEEE за обработка на слики (ICIP) од 2019 година. IEEE, 2019: 4320- 4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. Компресија на 3D-точка геометрија на облак за длабоко учење [C]//27-та меѓународна конференција за мултимедија на ACM. ACM, 2019: 890–898. DOI: 10.1145/3343031.3351061
22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. Точка облак кодирање: Усвојување пристап заснован на длабоко учење [C]//Симпозиум за кодирање слики (PCS). IEEE, 2020: 1–5. DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z, и сор. Компресија на геометријата на облакот на научена точка [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. АИНАЛА К, МЕКУРИЈА Р.Н., КАТАРИЈА Б, и сор. Подобрен слој за подобрување⁃ за компресија на облак од точка со октри со приближна проксимација на рамна проекција [C]//SPIE Optical Engineering+Applications. SPIE, 2016: 223- 231. DOI: 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKOUR-SEVOM V, et al. 2D видео кодирање на волуметриски видео податоци [C]//Симпозиум за кодирање слики (PCS). IEEE, 2018: 61–65. DOI: 10.1109/PCS.2018.8456265
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. 3D интерполација на податоци водена од геометрија за динамичко кодирање на облак засновано на проекција [C]// 7-та европска работилница за обработка на визуелни информации (EUVIP). IEEE, 2019: 1–6. DOI: 0.1109/EUVIP.2018.8611760
27. КАТАРИЈА Б, ЛИ Л, ЛИ З, и сор. Компресија на геометрија на облак со динамична точка без загуби со меѓукомпензација и предвидување на патувачкиот продавач [C]// Конференција за компресија на податоци. IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO. Визуелно волуметриско кодирање засновано на видео (V3C) и компресија на облак за точка базирана на видео: ISO/IEC 23090-5 [S]. 2021 година
29. PARK J, LEE J, PARK S, et al. Кодирање на мапа на зафатеност засновано на проекција за компресија на облак во 3D точка [J]. IEIE трансакции за паметна обработка и пресметување, 2020 година, 9(4): 293–297. DOI: 10.5573/ieiespc.2020.9.4.293
30. COSTA A, DRICOT A, BRITES C, et al. Подобрено пакување закрпи за стандардот MPEG V-PCC [C]//IEEE 21-ва меѓународна работилница за обработка на мултимедијални сигнали (MMSP). IEEE, 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901690
31. KAMMERL J, BLODOW N, RUSU RB, et al. Компресија во реално време на точкести облак текови [C]//Зборник на трудови од 2012 IEEE Меѓународна конференција за роботика и автоматизација. IEEE, 2012: 778 - 785. DOI: 10.1109/ ICRA.2012.6224647
32. PCL. Точка облак библиотека. [EB/OL]. [2023-09-01]. http://pointclouds.org/
33. THANOU D, CHOU PA, FROSSARD P. Компресија заснована на графикони на динамични секвенци на облак од 3D точка [J]. IEEE трансакции за обработка на слики, 2016, 25(4): 1765–1778. DOI: 10.1109/TIP.2016.2529506
34. ЛИ Л, ЛИ З, ЗАХАРЧЕНКО В, и сор. Напредно 3D предвидување на движење за компресирање на атрибути на облак со точки базирани на видео [C]//Конференција за компресија на податоци (DCC). IEEE, 2019: 498–507. DOI: 10.1109/DCC.2019.00058
    ЖАО ЛЛ, МА КК, ЛИН ХХ, и сор. Компресија на облак со точка LiDAR во реално време користејќи двонасочно предвидување и кодирање со подвижна запирка приспособливо за опсег [J]. IEEE трансакции на емитување, 2022 година, 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP, LIU D, LI HQ, et al. M-LVC: Предвидување на повеќе рамки за научена видео компресија [C]//IEEE/CVF Конференција за компјутерска визија и препознавање на модели. IEEE, 2020: 3543 - 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. ЈАНГ Р, МЕНЦЕР Ф, ВАН ГОЛ Л, и др. Учење за компресија на видео со хиерархиски квалитет и повторливо подобрување [C]//IEEE/CVF Конференција за компјутерска визија и препознавање на модели. IEEE, 2020: 6627-6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. Компресија без загуби на секвенци на точкасти облаци користејќи модели на CNN оптимизирани за секвенца [J]. IEEE пристап, 2022, 10: 83678 –83691. DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. Ориентирана кутија за ограничување и глобално откривање на пречки базирано на октри во обработката со 5 оски на површини со слободна форма [J]. Компјутерски потпомогнат дизајн, 2004 година, 36 (13): 1281-1294
39. АЛЕКСИУ Е, ВИОЛА И, БОРХЕС ТМ, и сор. Сеопфатна студија за перформансите на изобличувањето на стапката во компресијата на облакот во MPEG точка [J]. Трансакции на APSIPA за обработка на сигнали и информации, 2019 година, 8: e27. doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. Компресија во рамки на геометријата на точкасти облаци со користење на дијадично распаѓање [J]. IEEE Signal Processing Letters, 2020, 27: 246–250. DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. Силуета 4D со избор на контекст: компресија на геометрија без загуби на облаци со динамична точка [J]. IEEE Signal Processing Letters, 2021, 28: 1660 – 1664. DOI: 10.1109/ lsp.2021.3102525
42. ISO. Вообичаени услови за тестирање за G-PCC документ N00106: ISO/IEC JTC 1/ SC 29/WG 7 MPEG [S]. 2021 година

Биографии

• ЖАНГ Хуиран добила дипломи BE и ME на Факултетот за геодезија и геоматика и Државна клучна лабораторија за информатичко инженерство во геодетско мапирање и далечинско мерење, и двете од Универзитетот Вухан, Кина во 2020 и 2023 година, соодветно. Таа во моментов е геодет на Истражувачкиот институт за урбанистичко планирање и дизајн во Гуангжу, Кина. Нејзините истражувачки интереси вклучуваат обработка на податоци во точка облак и компресија. Учествувала во неколку проекти поврзани со областа на далечинско набљудување и објавила еден труд во Геоматика и информатички науки на Универзитетот Вухан.
• ДОНГ Жен (dongzhenwhu@whu.edu.cn) ги доби своите дипломи за далечинско набљудување и фотограметрија од Универзитетот Вухан, Кина во 2011 и 2018 година, соодветно. Тој е професор во Државната клучна лабораторија за информатичко инженерство во геодет, мапирање и далечинско сензорирање (LIESMARS), Универзитетот Вухан. Неговите истражувачки интереси вклучуваат 3D реконструкција, разбирање на сцената, обработка на точка облак, како и нивни апликации во интелигентен транспортен систем, дигитални збратимени градови, урбан одржлив развој и роботика. Доби над 10 признанија од различни национални и меѓународни натпревари и објави околу 60 трудови во различни списанија и конференции.
  ВАНГ Мингшенг дипломирал на Колеџот за компјутерски науки и технологија на Универзитетот Џилин, Кина во 2001 година и МЕ диплома на Факултетот за компјутерски науки и инженерство на Универзитетот за технологија на Јужна Кина, Кина во 2004 година. Институт за истражување и истражување за дизајн, Кина. Неговите истражувачки интереси вклучуваат компјутерски апликации и софтвер, физиографија и геодет. Доби над 20 признанија од различни национални натпревари и објави околу 50 трудови во различни списанија и конференции.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, објавено онлајн на 8 ноември 2023 година
Примен ракопис: 2023-09-11

Документи / ресурси

ZTE Воден алгоритам за компресија на геометрија на облак со точки без загуби [pdf] Упатство за корисникот Воден алгоритам за компресија на геометрија во облак без загуби, Водени, алгоритам за компресија на геометрија во облак без загуби, компресија на геометрија на облак од точки без загуби, компресија на геометрија на облак од точки, компресија на геометрија

Референци

• Упатство за употреба