हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि ZTE निर्देशित एल्गोरिथ्म

निर्दिष्टीकरण:

• उत्पादन नाम: हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि स्प्याटियो-टेम्पोरल सन्दर्भ-निर्देशित एल्गोरिथ्म
• लेखकहरू: झाङ हुइरान, डोङ जेन, वाङ मिङसेङ
• प्रकाशित: डिसेम्बर २०२२
• DOI: 10.12142/ZTECOM.202304003

उत्पादन उपयोग निर्देशन

परिचय:
उत्पादन भण्डारण ठाउँ क्षमता र नेटवर्क प्रसारण ब्यान्डविथ सम्बन्धी चुनौतीहरूलाई सम्बोधन गर्दै, पोइन्ट क्लाउड डाटालाई कुशलतापूर्वक कम्प्रेस गर्न डिजाइन गरिएको हो।

मुख्य विशेषताहरु:

1. विस्तारित यात्रा सेल्सम्यान समस्या प्रयोग गरेर इन्ट्राफ्रेम र इन्टर-फ्रेम बिन्दु क्लाउडहरूमा लागू हुने भविष्यवाणी मोड।
2. कुशल सम्भाव्यता गणना र कम्प्रेसन परिणामहरूको लागि द्रुत सन्दर्भ अद्यावधिकको साथ अनुकूली अंकगणित एन्कोडर।

प्रयोग चरणहरू:

चरण 1: बिन्दु क्लाउडहरू विभाजन गर्नुहोस्
बिन्दु क्लाउडहरूलाई मुख्य अक्षको साथ एकाइ तहहरूमा विभाजन गर्नुहोस्।

चरण 2: डिजाइन भविष्यवाणी मोड
ट्राभलिङ सेल्सम्यान एल्गोरिथ्म प्रयोग गरेर स्थानिय र अस्थायी रिडन्डन्सीहरूको लाभ उठाउनको लागि भविष्यवाणी मोड डिजाइन गर्नुहोस्।

चरण 3: अवशिष्ट इन्कोड गर्नुहोस्
कम्प्रेसनको लागि सन्दर्भ-अनुकूल अंकगणित इन्कोडर प्रयोग गरेर बिट स्ट्रिमहरूमा अवशिष्टहरू लेख्नुहोस्।

FAQ:

• प्रश्न: यो उत्पादन प्रयोग गर्ने मुख्य फाइदाहरू के हुन्?
  A: उत्पादनले पोइन्ट क्लाउड डेटाको कुशल कम्प्रेसन सक्षम बनाउँछ, परिष्कृत कम्प्रेसन परिणामहरूको लागि स्थानिक र अस्थायी सहसंबंधहरू प्रयोग गर्दै।
• Q: के यो उत्पादनले एकल-फ्रेम र बहु-फ्रेम पोइन्ट क्लाउडहरू ह्यान्डल गर्न सक्छ?
  A: हो, भविष्यवाणी मोड दुबै इन्ट्राफ्रेम र इन्टर-फ्रेम पोइन्ट क्लाउडहरूमा लागू हुन्छ, बहुमुखी उपयोग परिदृश्यहरूको लागि अनुमति दिँदै।

झाङ हुइरान, डोङ जेन, वाङ मिङसेङ

1. गुआंगझौ शहरी योजना र डिजाइन सर्वेक्षण अनुसन्धान संस्थान, गुआंगझौ 510060, चीन；
2. गुआंग्डोंग इन्टरप्राइज कुञ्जी प्रयोगशाला शहरी संवेदन, निगरानी र प्रारम्भिक चेतावनी, गुआंगझौ 510060, चीन；
3. सर्वेक्षण नक्शा⁃ पिंग र रिमोट सेन्सिङ, वुहान विश्वविद्यालय, वुहान 430079, चीनमा सूचना इन्जिनियरिङको राज्य कुञ्जी प्रयोगशाला)

सार: पोइन्ट क्लाउड कम्प्रेसन थ्रीडी इमर्सिभ टेलिप्रेसेन्स, स्वायत्त ड्राइभिङ, र सांस्कृतिक विरासत जस्ता भौतिक संसारको 3D प्रतिनिधित्वहरू प्रयोग गर्न महत्त्वपूर्ण छ।tagई संरक्षण। जे होस्, पोइन्ट क्लाउड डाटा अनियमित रूपमा र अनियमित रूपमा स्थानिक र अस्थायी डोमेनहरूमा वितरित गरिन्छ, जहाँ अनावश्यक खाली भोक्सेलहरू र 3D स्पेसमा कमजोर सहसंबंधहरूले कुशल कम्प्रेसन प्राप्त गर्न चुनौतीपूर्ण समस्या बनाउँदछ। यस पेपरमा, हामी हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि स्पेसियो-टेम्पोरल सन्दर्भ-निर्देशित एल्गोरिथ्म प्रस्ताव गर्दछौं। प्रस्तावित योजना बिन्दु क्लाउडलाई सबैभन्दा लामो अक्षको साथ एकाइ मोटाईको टुक्रा तहहरूमा विभाजन गरेर सुरु हुन्छ। त्यसपछि, यसले एक भविष्यवाणी विधि प्रस्तुत गर्दछ जहाँ दुवै इन्ट्राफ्रेम र इन्टर-फ्रेम पोइन्ट क्लाउडहरू उपलब्ध छन्, छेउछाउका तहहरू बीचको पत्राचारहरू निर्धारण गरेर र यात्रा सेल्सम्यान एल्गोरिथ्म प्रयोग गरेर सबैभन्दा छोटो मार्ग अनुमान गरेर। अन्तमा, केही भविष्यवाणी अवशिष्ट कुशलतापूर्वक इष्टतम सन्दर्भ-निर्देशित र अनुकूली फास्टमोड अंकगणितीय कोडिङ प्रविधिहरूसँग संकुचित गरिएको छ। प्रयोगहरूले प्रमाणित गर्छ कि प्रस्तावित विधिले प्रभावकारी रूपमा बिन्दु क्लाउड ज्यामितीय जानकारीको कम बिट दर हानिरहित कम्प्रेसन हासिल गर्न सक्छ, र विभिन्न प्रकारका दृश्यहरूमा लागू हुने थ्रीडी पोइन्ट क्लाउड कम्प्रेसनको लागि उपयुक्त छ।
कीवर्डहरू: बिन्दु क्लाउड ज्यामिति सङ्कुचन; एकल-फ्रेम बिन्दु बादल; बहु-फ्रेम बिन्दु बादल; भविष्यवाणी कोडिङ; अंकगणितीय कोडिङ।

उद्धरण (ढाँचा १): ZHANG HR, DONG Z, WANG M S. Spatio-temporal सन्दर्भ-निर्देशित एल्गोरिथ्म हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि [J]। ZTE संचार, 2023, 21(4): 17-28। DOI: 10.12142/ZTECOM.202304003
उद्धरण (ढाँचा १): HR Zhang, Z. Dong, र MS Wang, "लोसलेस बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि स्प्याटियो-टेम्पोरल कन्टेक्स्ट-निर्देशित एल्गोरिथ्म," ZTE कम्युनिकेसन्स, भोल्युम। २१, नं. 21, pp. 4-17, डिसेम्बर 28. doi: 2023/ZTECOM.10.12142।

 

परिचय

बहु-प्लेटफर्म र बहु-रिजोल्युसन अधिग्रहण उपकरण प्रदर्शनको सुधारको साथ, प्रकाश पत्ता लगाउने र दायरा (LiDAR) प्रविधिले थ्रीडी वस्तुहरू वा दृश्यहरूलाई विशाल बिन्दु सेटहरूसँग कुशलतापूर्वक अनुकरण गर्न सक्छ। परम्परागत मल्टिमिडिया डेटाको तुलनामा, पोइन्ट क्लाउड डेटाले अधिक भौतिक मापन जानकारी समावेश गर्दछ जसले वस्तुहरू नि:शुल्क प्रतिनिधित्व गर्दछ viewबिन्दुहरू, जटिल टोपोलोजिकल संरचनाहरू भएका दृश्यहरू पनि। यसले कडा अन्तरक्रियात्मक र इमर्सिभ प्रभावहरूमा परिणाम दिन्छ जसले प्रयोगकर्ताहरूलाई जीवन्त र यथार्थपरक दृश्य अनुभव प्रदान गर्दछ। थप रूपमा, पोइन्ट क्लाउड डेटासँग बलियो एन्टी-शोर क्षमता र समानान्तर प्रशोधन क्षमता छ, जसले उद्योग र शिक्षाविद्हरूबाट आकर्षण प्राप्त गरेको देखिन्छ, विशेष गरी सांस्कृतिक हेराइ जस्ता अनुप्रयोग डोमेनहरूको लागि।tagई संरक्षण, 3D इमर्सिभ टेलिप्रेसेन्स र स्वचालित ड्राइभिङ[1-2]।
जे होस्, पोइन्ट क्लाउड डाटामा सामान्यतया लाखौंदेखि अरबौं बिन्दुहरू स्थानिय डोमेनहरूमा हुन्छन्, जसले भण्डारण ठाउँ क्षमता र नेटवर्क ट्रान्समिशन ब्यान्डविथमा बोझ र चुनौतीहरू ल्याउँछ। उदाहरणका लागि, मनोरञ्जनको लागि प्रयोग गरिएको साझा गतिशील बिन्दु क्लाउडमा सामान्यतया प्रति फ्रेम लगभग एक मिलियन बिन्दुहरू समावेश हुन्छन्, जुन 30 फ्रेम प्रति सेकेन्डमा, यदि असम्पीडित छोडियो भने 3.6 Gbit/s को कुल ब्यान्डविथको मात्रा हुन्छ। त्यसकारण, पोइन्ट क्लाउडहरूको लागि उच्च-दक्षता ज्यामिति कम्प्रेसन एल्गोरिदमहरूमा अनुसन्धानको महत्त्वपूर्ण सैद्धान्तिक र व्यावहारिक मूल्य छ।
पहिलेको कामले यस समस्यालाई सीधा ग्रिडहरू निर्माण गरेर वा अन-डिमान्ड डाउन-एस गरेर समाधान गर्योampling, कम्प्युटर कम्प्युटिङ पावर र पोइन्ट क्लाउड सङ्कलन दक्षतामा सीमितताका कारण, जसले कम स्प्याटियो-टेम्पोरल कम्प्रेसन कार्यसम्पादन र ज्यामितीय विशेषता सुविधा जानकारीको हानिको परिणाम दिन्छ। भर्खरका अध्ययनहरू मुख्यतया कम्प्युटर ग्राफिक्स र डिजिटल सिग्नल प्रशोधन प्रविधिहरूमा आधारित थिए ब्लक अपरेसनहरू अन-पोइन्ट क्लाउड डाटा[4 5] वा अनुकूलनका लागि संयुक्त भिडियो कोडिङ टेक्नोलोजी [6 7] लागू गर्न। 2017 मा, मुभिङ पिक्चर एक्सपर्ट्स ग्रुप (MPEG) ले पोइन्ट क्लाउड कम्प्रेसनका लागि प्रस्तावहरू माग्यो र यस प्रकारको डाटा कसरी कम्प्रेस गर्ने भन्ने बारेमा पछिल्ला छलफलहरू सञ्चालन गर्यो। पोइन्ट क्लाउड कम्प्रेसनमा बढ्दो दृष्टिकोणहरू उपलब्ध र प्रस्तुत गरिएको, दुई-बिन्दु क्लाउड डेटा कम्प्रेसन फ्रेमवर्कहरू - TMC13 र TMC2 2018 मा जारी गरियो। माथिको अनुसन्धानले पोइन्ट क्लाउडको कम्प्रेसन टेक्नोलोजीमा उल्लेखनीय प्रगति भएको देखाउँछ। यद्यपि, पहिलेको कामले प्रायः बिन्दु क्लाउडहरूको स्थानिय र अस्थायी सह-सम्बन्धलाई अलग-अलग रूपमा व्यवहार गर्यो तर बिन्दु क्लाउड कम्प्रेसनमा तिनीहरूको पूर्ण क्षमतामा अझै शोषण गरिएको थिएन।
माथि उल्लिखित चुनौतिहरूलाई सम्बोधन गर्न, हामी हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि spatio-temporal सन्दर्भ-निर्देशित विधि प्रस्तुत गर्छौं। हामीले पहिले बिन्दु क्लाउडहरूलाई मुख्य अक्षको साथ एकाइ तहहरूमा विभाजन गर्छौं। हामी त्यसपछि spatiotemporal सहसंबंध अपनाएर, यात्रा सेल्सम्यान एल्गोरिदम मार्फत भविष्यवाणी मोड डिजाइन गर्छौं। अन्तमा, अवशिष्टहरूलाई प्रयोग गरिएको सन्दर्भ-अनुकूल अंकगणितीय सङ्केतकको साथ बिट-स्ट्रिमहरूमा लेखिएको छ। हाम्रा मुख्य योगदानहरू निम्नानुसार छन्।
1) हामी डिजाइन गर्छौं- विस्तारित ट्राभलिङ सेल्सम्यान समस्या (TSP) मार्फत इन्ट्रा-फ्रेम र इन्टर-फ्रेम पोइन्ट क्लाउड दुवैमा लागू हुने भविष्यवाणी मोड। पोइन्ट क्लाउडको दुबै स्थानिय र अस्थायी रिडन्ड्यान्सीहरूको लाभ उठाएर, ज्यामिति भविष्यवाणीले स्थानिय सहसम्बन्धको राम्रो प्रयोग गर्न सक्छ र त्यसैले विभिन्न प्रकारका परिदृश्यहरूलाई सक्षम बनाउँछ।
2) हामी द्रुत कन्-टेक्स्ट अपडेटको साथ एक अनुकूली अंकगणित एन्कोडर प्रस्तुत गर्दछौं, जसले सन्दर्भ शब्दकोशबाट इष्टतम 3D सन्दर्भ चयन गर्छ, र एन्ट्रोपी अनुमानको वृद्धिलाई दबाउन सक्छ। नतिजाको रूपमा, यसले एन्ट्रोपी एन्कोडरहरूको सम्भाव्यता गणना दक्षता बढाउँछ र महत्त्वपूर्ण कम्प्रेसन परिणामहरू दिन्छ।
यस कागजको बाँकी भाग निम्नानुसार संरचित छ। खण्ड २ ले पोइन्ट क्लाउड ज्यामिति कम्प्रेसनमा सम्बन्धित कार्यको रूपरेखा दिन्छ। खण्ड 2 पहिले ओभर प्रस्तुत गर्दछview प्रस्तावित फ्रेमवर्क को। त्यसपछि, प्रस्तावित विधि विस्तृत रूपमा वर्णन गरिएको छ। प्रयोगात्मक नतिजा र निष्कर्षहरू क्रमशः खण्ड ४ र ५ मा प्रस्तुत गरिएका छन्।

सम्बन्धित काम

साहित्यमा प्रस्तावित धेरै बिन्दु क्लाउड ज्यामिति कम्प्रेसन एल्गोरिदमहरू छन्। CAO et al। [8] र GRAZIOSI et al। [९] हालको बिन्दु क्लाउड कम्प्रेसन विधिहरूको अनुसन्धान र सारांश सञ्चालन गर्नुहोस्, क्रमशः स्थानिय आयाम कम्प्रेसन टेक्नोलोजी र MPEG मानकीकरण फ्रेमवर्कहरूमा फोकस गर्नुहोस्। हामी एक संक्षिप्त पुन प्रदान गर्दछौंview दुई कोटिहरूमा हालैका घटनाक्रमहरू: एकल-फ्रेम पोइन्ट क्लाउड कम्प्रेसन र बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसन।

1. एकल-फ्रेम पोइन्ट क्लाउड कम्प्रेसन
   एकल-फ्रेम बिन्दु क्लाउडहरू व्यापक रूपमा इन्जिनियरिङ सर्वेक्षणहरू, सांस्कृतिक हेराइहरूमा प्रयोग गरिन्छtage संरक्षण, भौगोलिक सूचना प्रणाली, र अन्य परिदृश्यहरू। octree बिन्दु क्लाउडहरूलाई कुशलतापूर्वक प्रतिनिधित्व गर्न व्यापक रूपमा प्रयोग गरिएको डाटा संरचना हो, जुन कब्जा गरिएका नोडहरू मार्फत जानकारी रेकर्ड गरेर संकुचित गर्न सकिन्छ। हुआंग एट अल। [१०] प्रत्येक एकाइको ज्यामितीय केन्द्रले प्रतिनिधित्व गर्ने पोइन्ट क्लाउडलाई नोडहरूमा पुनरावर्ती रूपमा उपविभाजित गर्ने अक्ट्रि-आधारित विधि प्रस्ताव गर्नुहोस्। फ्यान एट अल [११] विस्तारको स्तर (LOD) पदानुक्रम उत्पन्न गर्न र यसलाई चौडाइ-पहिलो क्रममा इन्कोडिङ गरी क्लस्टर विश्लेषणको परिचय दिएर यस विधिलाई थप सुधार गर्नुहोस्। यद्यपि, यी विधिहरूले पुनरावृत्ति प्रक्रियाको क्रममा मूल मोडेलको अनुमानित कारणले विकृति निम्त्याउन सक्छ।
   यी सीमितताहरूलाई सम्बोधन गर्न, विद्वानहरूले ज्यामितीय संरचना सुविधाहरू प्रस्तुत गरेका छन्, जस्तै- त्रिकोणीय सतह मोडेल[12], प्लानर सतह मोडेल[13 14], र क्लस्टरिङ अल-गोरिदम[15], अन्तर-तह भविष्यवाणी र अवशिष्ट गणनाको लागि। । RENTE एट अल। [16] प्रगतिशील स्तरित कम्प्रेसनको अवधारणा प्रस्ताव गर्नुहोस् जसले पहिले मोटो-ग्रेन्ड एन्कोडिङको लागि अक्ट्री संरचना प्रयोग गर्दछ र त्यसपछि क्लाउड विवरणहरूको सङ्कुचन र पुनर्निर्माणको लागि ग्राफ फोरियर रूपान्तरण प्रयोग गर्दछ। 2019 मा, MPEG ले स्थिर र गतिशील बिन्दु क्लाउड दुवैका लागि ज्यामिति-आधारित बिन्दु क्लाउड कम्प्रेसन (G-PCC) प्रविधि जारी गर्‍यो, जुन समन्वय रूपान्तरण, भोक्सेलाइजेशन, ज्यामितीय संरचना विश्लेषण, र अंकगणितीय कोडिङ चरण-दर-चरण मार्फत लागू गरिन्छ।
   अक्ट्री भित्र केही अक्टेन्टहरू कम जनसंख्या भएको वा खाली पनि हुनसक्ने हुनाले, सब-नोडहरू छाँट गरेर रूखको संरचनालाई अनुकूलन गर्न र मेमोरी आवंटनलाई संरक्षण गर्न केही विधिहरू प्रस्ताव गरिएको छ। पूर्वका लागिample, DRICOT et al। [१८] स्पार्सिटी विश्लेषणको पूर्वनिर्धारित अवस्थाहरूमा आधारित अक्ट्रि विभाजन समाप्त गर्नको लागि एक अनुमानित प्रत्यक्ष कोडिङ मोड (IDCM) प्रस्ताव गर्नुहोस्, जसमा बाल नोडहरूमा छुट्याइएको बिटहरू बचत गर्न अक्ट्रि संरचनालाई छाँट्नु समावेश छ। ZHANG et al। [१९] बिन्दु क्लाउड स्पेसलाई प्रिन्सिपल कम्पोनेन्टहरूमा उपविभाजित गर्ने र बाइनरी ट्री, क्वाड्ट्री र अक्ट्रीबाट विभाजन विधि अनुकूलन गर्ने सुझाव दिनुहोस्। परम्परागत octree विभाजनको तुलनामा, माथि उल्लेखित हाइब्रिड मोडेलहरूले प्रभावकारी रूपमा स्प्यार्स बिन्दुहरू प्रतिनिधित्व गर्न प्रयोग गरिएका बिटहरूको संख्या घटाउन सक्छ, त्यसैले नोडहरू बचत गर्न सकिन्छ जुन इन्कोड गर्न आवश्यक छ। यद्यपि, जटिल हाइपरपेरामिटर अवस्थाहरू र मोड निर्धारण प्रक्रियामा आवश्यक छ, यसले आत्म-अनुकूलन र कम जटिलताको आवश्यकताहरू पूरा गर्न गाह्रो बनाउँछ।
   गहिरो न्यूरल नेटवर्कहरूले छवि र भिडियो कम्प्रेसनमा महत्त्वपूर्ण प्रगतिहरू बनाउँदै, अनुसन्धानकर्ताहरूले कम्प्रेसन प्रक्रियाको क्रममा सुपर पूर्व मार्गदर्शन र अव्यक्त स्पेस अभिव्यक्तिको अनावश्यकताको लाभ उठाएर बिट दरहरू कम गर्ने तरिकाहरू खोजेका छन्। QUACH एट अल [20] र HUANG एट अल। [२१] यी अवधारणाहरू समावेश गर्ने विधिहरू प्रस्ताव गर्नुहोस्। GUARDA et al। छेउछाउका बिन्दुहरू बीच रिडन्डन्सीको शोषण गर्न कन्भोलुसनल न्यूरल नेटवर्कहरू र अटोइन्कोडरहरू संयोजन गर्नुहोस् र रेफमा कोडिङ अनुकूलन क्षमता बढाउनुहोस्। [२२]। हालै, WANG et al। [२३] भिन्नतात्मक स्वत: एन्कोडरमा आधारित बिन्दु क्लाउड कम्प्रेसन विधि प्रस्ताव गर्नुहोस्, जसले हाइपरप्रियर सिक्न र अंकगणित कोडिङको मेमोरी खपत घटाएर कम्प्रेसन अनुपात सुधार गर्दछ। माथि उल्लिखित विधिहरूले पोइन्ट क्लाउडको उच्च-अर्डर लुकेको भेक्टर, एन्ट्रोपी मोडेल सम्भाव्यताहरू, र राम्रोसँग फिट हुने किनारा सम्भावनाहरू क्याप्चर गर्न न्यूरल नेटवर्क एन्कोडरहरू प्रयोग गर्दछ, यसरी अंकगणित कोडिङको मेमोरी खपत कम गर्दछ। सामान्यतया, एकल-फ्रेम बिन्दु क्लाउड ज्यामितीय कम्प्रेसनमा अनुसन्धान अपेक्षाकृत परिपक्व छ, तर त्यहाँ दुई चुनौतीहरू छन् जुन अझै बाँकी छ। स्थानिय सहसम्बन्धलाई प्रभावकारी रूपमा प्रयोग गरिएको छैन, र धेरैजसो विधिहरूले बिन्दु क्लाउड डेटाको सहसंबंधलाई राम्ररी र प्रभावकारी रूपमा कोड गर्दैन। यसबाहेक, एन्ट्रोपी कोडिङका लागि सम्भाव्यता मोडेलको गणना धेरै सन्दर्भहरूको कारणले गर्दा लामो र कठिन देखिन्छ।
2. बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसन
   बहु-फ्रेम पोइन्ट क्लाउडहरू सामान्यतया वास्तविक-समय 3D इमर्सिभ टेलिप्रेसन्स, अन्तरक्रियात्मक VR, 3D फ्री जस्ता परिदृश्यहरूमा प्रयोग गरिन्छ। viewबिन्दु प्रसारण र स्वचालित ड्राइभिङ। एकल-फ्रेम पोइन्ट क्लाउड कम्प्रेसनको विपरीत, बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसनले समय सहसंबंध, साथै गति अनुमान र क्षतिपूर्तिको प्रयोगलाई प्राथमिकता दिन्छ। बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसनका लागि अवस्थित विधिहरूलाई दुई कोटीहरूमा विभाजन गर्न सकिन्छ: 2D प्रक्षेपण र 3D सजावट।
   छवि र भिडियो कम्प्रेसनको क्षेत्र व्यापक छ र विगत केही दशकहरूमा राम्रोसँग अन्वेषण गरिएको छ। विभिन्न एल्गोरिदमहरूले पोइन्ट क्लाउडहरूलाई छविहरूमा रूपान्तरण गर्दछ र त्यसपछि तिनीहरूलाई FFmpeg र H. 265 एन्कोडरहरू, इत्यादिद्वारा सीधा कम्प्रेस गर्दछ। AINALA et al[24] ले प्लानर प्रोजेक्शन अनुमानित एन-कोडिङ मोड प्रस्तुत गर्दछ जसले विमानमा रास्टर स्क्यानिङ मार्फत ज्यामिति र रङ विशेषताहरू दुवै इन्कोड गर्दछ। । यद्यपि, यो विधिले म्यापिङ प्रक्रियाको क्रममा लक्ष्य आकारमा परिवर्तनहरू निम्त्याउँछ, सही अन्तर-पूर्वानुमान कठिन बनाउँछ। त्यसैले, SCHWARZ एट अल [25] र SEVOM एट अल। [२६] क्रमशः बिन्दु क्लाउडहरूलाई 26D भिडियोहरूमा रूपान्तरण गर्न घुमाइएको प्लानर प्रक्षेपण, घन प्रक्षेपण, र प्याच-आधारित प्रक्षेपण विधिहरू सुझाव दिनुहोस्। छेउछाउका तस्बिरहरूमा एउटै स्थानमा नजिकैको फ्रेमहरूमा समान अनुमानहरू राखेर, भिडियो कम्प्रेसरले अस्थायी सहसंबंधलाई पूर्ण रूपमा हटाउन सक्छ। सन्दर्भ मा। [२७], अन्तर-ज्यामिति भविष्यवाणी TSP मार्फत गरिन्छ, जसले निकटतम औसत मानको साथ ब्लक खोजी गरेर नजिकैको इन्ट्रा-ब्लकहरूको एक-देखि-एक पत्राचार गणना गर्दछ। MPEG ले 2 मा डायनामिक पोइन्ट क्लाउडहरूका लागि भिडियो-आधारित पोइन्ट क्लाउड कम्प्रेसन (V-PCC) प्रविधि जारी गर्‍यो[27]। यो ढाँचाले इनपुट पोइन्ट क्लाउडलाई समान सामान्य भेक्टरहरू र निरन्तर स्पेसको साथ साना ब्लकहरूमा विभाजन गर्दछ, त्यसपछि तिनीहरूलाई कब्जा छवि र सहायक जानकारी रेकर्ड गर्न क्यूबहरू मार्फत प्लानर सतहमा रूपान्तरण गर्दछ। सबै परिणामित छविहरू परिपक्व भिडियो कोडेकहरूद्वारा संकुचित हुन्छन्, र सबै बिटस्ट्रिमहरू एकल आउटपुटमा भेला हुन्छन्। file। यी विधिहरूको प्रभावकारिता सुधार गर्न अन्य प्रयासहरू गरिएका छन्। COSTA एट अल [29] प्याकेजिङ एल्गोरिदम, डाटा प्याकेजिङ लिङ्कहरू, सम्बन्धित क्रमबद्ध, र स्थिति संकेतकहरूको लागि अनुकूलनको परिप्रेक्ष्यबाट धेरै नयाँ प्याच प्याकेजिङ रणनीतिहरू शोषण गर्नुहोस्। यसबाहेक, PARK et al। [३०] डेटा-अनुकूलित प्याकिङ विधि डिजाइन गर्नुहोस् जसले V-PCC स्ट्रिमको कार्यसम्पादनलाई असर नगरी संरचनात्मक समानता अनुसार छेउछाउका फ्रेमहरूलाई एउटै समूहमा समूहबद्ध गर्दछ। पोइन्ट क्लाउड प्रोजेक्शनको कारणले हुने अपरिहार्य जानकारी हानिको कारण, विद्वानहरूले थ्रीडी स्पेसमा आधारित गति क्षतिपूर्ति प्रविधि प्रयोग गरेर लगातार फ्रेमहरूको पोइन्ट क्लाउड अनुक्रम कम्प्रेस गर्न प्रभावकारी प्रविधिहरू विकास गरेका छन्। KAMMERL एट अल। [30] अक्ट्री-आधारित ज्यामितीय इन्कोडिङ विधि प्रस्ताव गर्नुहोस्, जसले छेउछाउका फ्रेमहरू बीचको विशेष OR (XOR) भिन्नताहरू प्रदर्शन गरेर उच्च कम्प्रेसन दक्षता प्राप्त गर्दछ। यो विधि लोकप्रिय प्वाइन्ट क्लाउड लाइब्रेरी (PCL) [३२] मा मात्र अपनाएको छैन तर थप एल्गोरिथ्म अनुसन्धानको लागि पनि व्यापक रूपमा प्रयोग गरिएको छ। अन्य इन्टरफ्रेम दृष्टिकोणहरूले 3D गति अनुमान समस्यालाई सुविधा मिल्दो समस्यामा रूपान्तरण गर्दछ[31] वा गति भेक्टरहरूको भविष्यवाणी गर्न र नजिकका फ्रेमहरू बीचको सम्बन्धित सम्बन्धलाई सही रूपमा पहिचान गर्न पुनर्निर्माण गरिएको ज्यामितीय जानकारी [32] प्रयोग गर्नुहोस्। भर्खरको विस्फोटक अध्ययनहरू[3 33] देखाइएको छ कि सिकेको भिडियो कम्प्रेसनले परम्परागतहरू भन्दा राम्रो दर-विरूपण प्रदर्शन प्रदान गर्दछ, क्लाउड कम्प्रेसनमा महत्त्वपूर्ण सन्दर्भ महत्त्व ल्याउँछ। ZHAO एट अल [34] अन्तर-फ्रेम भविष्यवाणी गर्न र स्थानिक र अस्थायी आयामहरूमा सान्दर्भिक जानकारीको प्रभावकारी उपयोग ल्याउन द्वि-दिशात्मक अन्तर-फ्रेम भविष्यवाणी नेटवर्क परिचय गर्नुहोस्। KAYA et al। [३८] घना बिन्दु क्लाउड अनुक्रमहरूको ज्यामितीय विशेषताहरू इन्कोडिङको लागि नयाँ प्रतिमान डिजाइन गर्नुहोस्, घने बिन्दु क्लाउडहरूको हानिरहित सङ्कुचन महसुस गर्न सङ्केतन वितरण अनुमान गर्न CNN लाई अनुकूलन गर्नुहोस्।
   बहु-फ्रेम पोइन्ट क्लाउड मोडेलहरूको कम्प्रेसन कोडिङ टेक्नोलोजीमा प्रगति भए तापनि, दुई समस्याहरू जारी छन्। अवस्थित बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसन दृष्टिकोणहरू मुख्य रूपमा भिडियो कोडिङ र गति क्षतिपूर्तिमा निर्भर हुन्छन्, जसमा अनिवार्य रूपमा म्यापिङ र ब्लक किनारा विच्छेदको कारणले हुने जानकारीको हानि वा विकृति समावेश हुन्छ। थप रूपमा, अन्तर-फ्रेम बिन्दु क्लाउड ज्यामितिको असंगतताको कारण भविष्यवाणी गर्ने कोडिङले कम प्रयोज्यता प्रदर्शन गर्दछ। फ्रेमहरू र अपरिहार्य आवाज बीचको बिन्दुहरूको स्पष्ट अफसेटले अन्तर-फ्रेम कम्प्रेसनमा प्रभावकारी रूपमा भविष्यवाणी कोडिङ प्रयोग गर्न कठिनाई बढाउँछ।

प्रस्तावित स्पाटियो-टेम्पोरल कन्टेक्स्ट-गाइडेड लसलेस ज्यामिति बिन्दु क्लाउड कम्प्रेसन विधि

माथिview
हाम्रो spatio-temporal सन्दर्भ-निर्देशित एल्गोरिथ्मको समग्र पाइपलाइन चित्र 1 मा देखाइएको छ। पहिले, हामी भोक्सेलाइजेशन र स्केल रूपान्तरण लागू गरेर इनपुट पोइन्ट क्लाउडलाई पूर्व-प्रक्रिया गर्छौं। त्यसपछि, बिन्दु क्लाउडलाई मुख्य अक्षको साथमा एकाइ-मोटाई काटिएको तहहरूमा विभाजित गरिएको छ। अर्को, हामी इन्ट्रा-फ्रेम र अन्तर-फ्रेम दुवै भित्र अस्थायी र स्थानिय सहसंबंध जानकारीको पूर्ण प्रयोग गर्ने भविष्यवाणी मोड डिजाइन गर्छौं। हामी ट्राभल सेल्सम्यान एल्गोरिदमहरू मार्फत सन्दर्भ तहहरू (R-layers) को छोटो मार्गको गणना गर्छौं, र R-layers को नतिजाहरू spatiotemporally भविष्यवाणी गर्न र बाँकी बिन्दु क्लाउडहरू, अर्थात् पूर्वानुमानित तहहरू (P-layers) को सङ्केतन गर्न प्रयोग गरिन्छ। )। अन्तमा, संकुचित बाइनरी प्राप्त गर्न सुधारिएको एन्ट्रोपी कोडिङ एल्गोरिदमहरू अपनाइन्छ। file.

छवि काटिएको-आधारित श्रेणीबद्ध विभाजन

1. पूर्व प्रशोधन
   पूर्व-प्रशोधन मोड्युलले प्रत्येक निश्चित बिन्दुको राम्रो अनुक्रमणिकाको लागि भोक्सेलाइजेशन र स्केल रूपान्तरण समावेश गर्दछ। भोक्सेलाइजेशनमा, हामीले स्पेसलाई N साइजको क्यूबमा विभाजन गर्छौं, जुन बिन्दु क्लाउडको वास्तविक रिजोलुसनसँग मेल खान्छ। प्रत्येक बिन्दुलाई यसको स्थितिमा आधारित एक अद्वितीय भोक्सेल तोकिएको छ। एक भोक्सेल 1 को रूपमा रेकर्ड गरिएको छ; यदि यो सकारात्मक रूपमा ओगटेको छ भने, यो ० अन्यथा हो। स्केल रूपान्तरणले पोइन्ट क्लाउडलाई जुम आउट गरेर राम्रो कम्प्रेसनको लागि स्पर्सिटी कम गर्न सक्छ, जहाँ बिन्दुहरू बीचको दूरी कम हुन्छ। हामी बिन्दु क्लाउड निर्देशांक (x, y, z) लाई स्केलिङ कारक s प्रयोग गरेर जम्मा गर्छौं, अर्थात्,
   हानिरहित कम्प्रेसन सुनिश्चित गर्न, हामीले यो सुनिश्चित गर्न आवश्यक छ कि स्केलिंग कारकले ज्यामिति हानि गर्न सक्दैन र हेडरमा पुन: कर्ड गर्न आवश्यक छ। file.
2. स्लाइस-तह विभाजन
   यो मोड्युलले थ्रीडी पोइन्ट क्लाउडलाई यसको एउटा अक्षको साथमा विभाजन गरेर काम गर्दछ, धेरै एकाइ-स्लाइस गरिएका तहहरू ओगटेड र गैर-व्यवस्थित जानकारीको साथ सिर्जना गर्दछ जुन भविष्यवाणी गर्ने एन्कोडर र अंकगणित कोडर प्रयोग गरेर थप संकुचित गर्न सकिन्छ। प्रकार्य निम्न रूपमा परिभाषित गरिएको छ:
   जहाँ G ले इनपुट पोइन्ट क्लाउड समन्वय म्याट्रिक्सलाई जनाउँछ, अक्षले चयन गरिएको आयामलाई जनाउँछ, र S (a, b) प्रत्येक तहद्वारा निकालिएको 2D स्लाइस हो। सामान्यतया, हामी परीक्षण अनुक्रमहरूको ठूलो संख्यामा प्रयोगहरू सञ्चालन गर्छौं, र नतिजाहरूले सुझाव दिन्छ कि बिन्दु क्लाउड स्थानिय भिन्नताको सबैभन्दा लामो अक्षको साथ विभाजनले सबैभन्दा कम बिटरेट उत्पादन गर्छ, अर्थात्
3. न्यूनतम बाउन्डिङ बक्स निकासी
   धेरैजसो अवस्थामा, अन-कब्जा गरिएको भोक्सेलहरू सामान्यतया अपरिहार्य हुन्छन् र धेरै ओगटेड भोक्सेलहरू भन्दा बढी हुन्छन्। नतिजाको रूपमा, दुवै प्रकारका भोक्सेलहरू प्रशोधन र एन्कोडिङले एकैसाथ कम्प्युटेसनल जटिलता र सङ्कुचन एल्गोरिथ्मको इन्कोडिङ गतिलाई बोझ बनाउँछ। तसर्थ, हामी उन्मुख बाउन्डिङ बक्स (OBB) [३९] अपनाउँछौं प्रत्येक काटिएको तहको लागि न्यूनतम बाउन्डिङ बक्सको गणना गर्न, यो सुनिश्चित गर्दै कि बाउन्डिङ बक्सहरूको दिशाहरू तहहरूमा एकरूप छन्। पछिको प्रशोधनमा, प्रतिबन्धित आयत भित्र अवस्थित भोक्सेलहरू मात्र संकुचित हुन्छन्।

स्पेसियल कन्टेक्स्ट-गाइडेड प्रेडिक्टिव एन्कोडिङ

स्थानिय सन्दर्भ-निर्देशित भविष्यसूचक सङ्केतनको लक्ष्य सबै बिन्दु तहहरूलाई तहद्वारा सङ्केतन गर्नु हो। TSP बाट प्रेरित भएर, हामी सम्भावित अर्डरहरू र प्रत्येक काटिएको तह भित्रको सहसंबंध अन्वेषण गर्न भविष्यवाणी मोड डिजाइन गर्छौं। यो मोड्युल विभाजन र छोटो मार्ग गणना समावेश गर्दछ।
सुरुमा, हामी काटिएका तहहरू विभाजन गर्छौं र प्रत्येक समूहको लागि R-लेयर र R-तहहरू निर्धारण गर्छौं। हामी चयन गरिएको अक्षको साथ तहद्वारा बिन्दु क्लाउड तह पार गर्छौं। जब छेउछाउको तहहरू बीचको न्यूनतम बाउन्डिङ बक्सको मुख्य दिशाको लम्बाइ निर्दिष्ट एकाइ लम्बाइले फरक हुन्छ, यो एउटै समूहको रूपमा रेकर्ड गरिन्छ। अन्यथा, यसलाई अर्को समूहको सन्दर्भ तहको रूपमा प्रयोग गरिन्छ, र निम्न समूहको प्रत्येक बिन्दु क्लाउडले एउटै छोटो मार्ग प्रयोग गर्दछ। यस पेपरमा, हामीले प्रत्येक समूहको पहिलो तहलाई आर-तहको रूपमा सेट गर्छौं, र अरूलाई P-तहहरूको रूपमा। हामी धेरै संख्यामा परीक्षण सी-यून्सहरूमा प्रयोगहरू पनि गर्छौं र उत्तम कम्प्रेसन प्राप्त गर्न यो निर्दिष्ट प्यारामिटरलाई 3 एकाइहरूको रूपमा सेट गर्न सिफारिस गर्छौं।
पछि, हामी आर-लेयरहरूमा सबैभन्दा छोटो मार्ग गणना सञ्चालन गर्छौं र खेलाडीहरूको अवशिष्टहरू रेकर्ड गर्छौं। प्रत्येक स्लाइस तहको बिन्दु क्लाउडको वितरण नियमन अनुसार, हामीले TSP एल्गोरिथ्ममा आधारित प्रत्येक स्लाइस तहको लागि अनियमित बिन्दु क्लाउडहरूलाई इष्टतम रूपमा व्यवस्थित गर्छौं। यसले हामीलाई R-लेयरहरूको बिन्दु क्लाउडमा सबैभन्दा छोटो मार्गको कुशलतापूर्वक गणना गर्न अनुमति दिन्छ, र त्यसपछि सम्बन्धित भविष्यवाणी तहहरूको अवशिष्टहरू रेकर्ड गर्नुहोस्। एल्गोरिथ्म 1 भविष्यवाणी प्रक्रिया को छद्म कोड देखाउँछ।

सर्वप्रथम, हामी स्थानीय क्षेत्रमा बिन्दुहरू बीचको दूरी गणना नियम परिभाषित गर्छौं र अनियमित रूपमा चयन गरिएको बिन्दु pc1 सँग पथ अवस्था सुरु गर्छौं। प्रत्येक पुनरावृत्तिमा, जब पनि नयाँ बिन्दु pci थपिन्छ, क्रमबद्धतालाई राज्य संक्रमण समीकरण मार्ग (P – i, i) मार्फत गतिशील रूपमा अद्यावधिक गरिन्छ जबसम्म सबै थपिएका बिन्दुहरू P मा छोटो मार्गको क्रममा रेकर्ड हुँदैनन्। यो प्रक्रिया न्यूनतम दूरी मापदण्डको आधारमा क्रमशः परिमार्जन गरिएको छ। सबै पुनरावृत्तिहरू कुल छोटो मार्गमा पूरा भएपछि, हामी न्यूनतम गणना गर्छौं प्रत्येक R-तहहरूमा dist(pci, pcj) र प्रत्येक R-तहहरूमा बिन्दु क्लाउडहरूको छोटो मार्ग रेकर्ड तालिका फर्काउनुहोस्। थप कम्प्रेसनको लागि, हामी एउटै समूह भित्रको आर-तहको छोटो मार्गबाट ​​P-तहहरूको विचलन गणना गर्छौं र तिनीहरूलाई भविष्यवाणी अवशेषहरूको रूपमा रेकर्ड गर्छौं। अन्तमा, Rlayer को छोटो बाटो र प्रत्येक समूह को अवशेषहरु आउटपुट छन् र भविष्यवाणी अवशेषहरु लाई कम्प्रेस गर्न एन्ट्रोपी एन्कोडरमा पास गरिन्छ।

Spatio-Temporal Context-निर्देशित प्रेडिक्टिव एन्कोडिङ
स्थानिय सन्दर्भ-निर्देशित भविष्यवाणी मोड एन्कोड गर्दछ
एकल-फ्रेम बिन्दु बादलहरू व्यक्तिगत रूपमा। यद्यपि, प्रत्येक एकल-फ्रेम पोइन्ट क्लाउडमा छुट्टै स्थानिय इन्कोडिङ लागू गर्दा बहु-फ्रेम पोइन्ट क्लाउडमा अस्थायी सहसंबंधहरूद्वारा उजागर गरिएका अवसरहरू गुमाउन सक्छ। बहु-फ्रेम पोइन्ट क्लाउडले ओभरल्यापको ठूलो भाग साझा गर्दछ भन्ने कुरालाई ध्यानमा राख्दै, हामी कम्प्रेसन दक्षतालाई अझ बृद्धि गर्न टेम्पोरल रिडन्डन्सी प्रयोग गर्नमा ध्यान केन्द्रित गर्छौं। तसर्थ, प्रस्तावित स्थानिय सन्दर्भ-निर्देशित भविष्यवाणी मोडको आधारमा, हामी फ्रेमहरूमा छेउछाउका तहहरू बीचको पत्राचार पहिचान गरेर मल्टिफ्रेम पोइन्ट क्लाउड कम्प्रेस गर्न सक्छौं।

1. अन्तर-फ्रेम विभाजन
   अन्तर-फ्रेम भविष्यवाणी मोडको प्रभावकारिता बढाउनको लागि, फ्रेमहरूको छेउछाउका तहहरू बीच पर्याप्त समानता सुनिश्चित गर्न महत्त्वपूर्ण छ। नतिजाको रूपमा, हामीले छेउछाउका फ्रेमहरू बीच समूहहरू विभाजन गर्न र फ्रेमहरूमा आर-तह र P-तहहरू निर्धारण गर्न आवश्यक छ। R-तहहरूको छोटो बाटोमा आधारित P-तहहरूको सबैभन्दा छोटो मार्ग अनुमान गरेर, हामी भविष्यवाणी अवशेषहरू रेकर्ड गर्छौं र तिनीहरूलाई एन्ट्रोपी एन्कोडर मार्फत थप कम्प्रेस गर्छौं। एल्गोरिथ्म २ ले इन्टरफ्रेम विभाजनको स्यूडोकोड देखाउँछ।
   स्लाइस्ड-लेयर अभिमुखीकरण पङ्क्तिबद्धतामा आधारित, हामी क्रमशः मोटे विभाजन र राम्रो विभाजन महसुस गर्छौं। मोटो विभाजनको लागि, हामी विभाजन अक्षहरूसँग सम्बन्धित निर्देशांकहरूको आधारमा प्रत्येक फ्रेमको काटिएको तहहरू क्रमबद्ध गर्छौं, सानोदेखि ठूलासम्म। नतिजाको रूपमा, प्रत्येक फ्रेमको प्रत्येक स्लाइस तहको एक अद्वितीय तह नम्बर हुन्छ, जसले हामीलाई स्लाइस तहहरूलाई छेउछाउका फ्रेमहरू बीचको समान संख्यामा विभाजन गर्न अनुमति दिन्छ। पछि, हामी समान संख्याको साथ छेउछाउका तहहरूको न्यूनतम बाउन्डिङ बक्सहरूको प्रमुख अक्ष लम्बाइहरू बीचको भिन्नता गणना गर्छौं। यदि यो मान निर्दिष्ट लम्बाइ एकाइ भन्दा कम वा बराबर छ भने, तहहरू एउटै समूहमा विभाजन गरिनेछ। अन्यथा, हामी छेउछाउको फ्रेममा नम्बर अघि र पछि निर्दिष्ट तहसँग छेउछाउको फ्रेमको सम्बन्धित तहमा न्यूनतम बाउन्डिङ बक्सको मुख्य दिशा अक्षको लम्बाइमा भएको भिन्नतालाई तुलना गर्छौं। सबैभन्दा सानो भिन्नता भएको तहलाई एउटै समूहमा विभाजन गरिएको छ। यसले छेउछाउको तहहरू बीचको राम्रो विभाजन सुनिश्चित गर्दछ, र नजिकैको सम्बन्धको राम्रो विभाजन महसुस गर्नको लागि।
2. Spatio-temporal सन्दर्भ-निर्देशित भविष्यवाणी मोड
   विभाजनको आधारमा, हामी खण्ड 3.3 मा उल्लिखित भविष्यवाणी मोड लागू र विस्तार गर्छौं। हामीले प्रक्रियामा अन्तर-फ्रेम सन्दर्भ समावेश गर्छौं, यसको मतलब प्रत्येक समूहको पहिलो तह, जसले R-लेयरको रूपमा कार्य गर्दछ, आवश्यक रूपमा उत्कृष्ट भविष्यवाणी परिणाम नआउन सक्छ। छेउछाउका तहहरू बीचको सम्भावित सहसम्बन्ध पूर्ण रूपमा अन्वेषण गर्न, हामीले इष्टतम भविष्यवाणी मोडलाई उजागर गर्न आवश्यक छ।
   सर्वप्रथम, हामी हालको समूहमा प्रत्येक स्लाइस्ड-लेयरको लागि भविष्यवाणी अवशेषहरू गणना गर्छौं जब R-लेयरको रूपमा प्रयोग गरिन्छ। सबै मामिलाहरूमा भविष्यवाणी अवशिष्टहरू तुलना गरेर, हामीले सबैभन्दा सानो निरपेक्ष अवशिष्ट मानको साथ R-तहलाई उत्तम भविष्यवाणी मोडको रूपमा चयन गर्छौं। R-लेयरको सबैभन्दा छोटो मार्ग गणनाको लागि, हामी उत्कृष्ट भविष्यवाणी मोड अन्तर्गत R-तहहरूको सबैभन्दा छोटो मार्ग गणना गर्न यात्रा बिक्रीकर्ता एल्गोरिदम प्रयोग गर्छौं। यसबाहेक, हामी प्रत्येक समूहको लागि तिनीहरूको सम्बन्धित उत्कृष्ट भविष्यवाणी मोडहरू अन्तर्गत भविष्यवाणी अवशिष्टहरू गणना गर्छौं। हामी पछिको प्रशोधनमा थप कम्प्रेसनको लागि प्रत्येक समूहको अधिभोग लम्बाइ र आर-लेयर जानकारी पनि रेकर्ड गर्छौं। फलो-अप सञ्चालनमा, हामी बहु-फ्रेम पोइन्ट क्लाउड ज्यामिति कम्प्रेसन एल्गोरिदमको सम्पूर्ण प्रक्रिया पूरा गर्न माथिको जानकारीको लागि उत्तम सन्दर्भ चयनमा आधारित अंकगणितीय कोडिङ प्रयोग गर्छौं।

सन्दर्भ शब्दकोशमा आधारित अंकगणित कोडिङ
बिन्दु क्लाउडमा सन्दर्भको ठूलो मात्राले अंकगणित कोडिङ कम्प्युटेसनल जटिलताको सन्दर्भमा समग्र कम्प्रेसन योजनालाई महत्त्वपूर्ण रूपमा बोझ गर्छ। हामी निम्न दुई मोड्युलहरूबाट अंकगणित कोडिङ सुधार गर्छौं। 1) हामीले एक सन्दर्भ शब्दकोश सेट अप गर्छौं, र एन्ट्रोपी अनुमान अनुसार ग्लोबल इष्टतम मान चयन र अद्यावधिक गर्छौं, र त्यसपछि 2) हामी सम्भाव्यताहरूको माथिल्लो र तल्लो सीमाहरू कुशलतापूर्वक गणना गर्न अनुकूली एन्कोडरहरू अपनाउछौं।

1. सन्दर्भ शब्दकोश निर्माण
2. हामीले प्रत्येक स्लाइस गरिएको तहमा बिन्दु क्लाउडको समन्वय र यसको सम्बन्धित गैर-खाली सन्दर्भको पूर्णाङ्क प्रतिनिधित्व समावेश गरी ट्रिपल लाम प्रतिनिधित्व गर्ने सन्दर्भ शब्दकोश निर्माण गर्छौं। यसरी, हामी पोइन्ट क्लाउडमा रहेको भोक्सेलहरूलाई प्रत्येक तहको न्यूनतम बाउन्डिङ बक्ससँग यसको गैर-खाली सन्दर्भसँग सम्बद्ध गर्छौं। सन्दर्भ शब्दकोशको ट्रिपल क्यु एरेको निर्माणलाई स्पष्ट रूपमा चित्रण गर्न, हामी चित्र २ मा सहज व्याख्या दिन्छौं। चित्र २ मा छायांकित दुई वर्गहरूको लागि, केवल सन्दर्भ नक्शा स्थिति pc2 र pc2 लाई विचार गरिन्छ। एक्स-अक्ष र y-अक्षको साथ सन्दर्भ योगदान क्रमशः दुई लाम QX - र QY - मा रेकर्ड गरिएको छ। यसरी सन्दर्भ शब्दकोशमा QX - र QY - समावेश छ। समान निर्देशांकहरू भएका पङ्क्ति तत्वहरू त्रिपल्टमा एकीकृत हुन्छन्, जसको सन्दर्भ पूर्णांक प्रतिनिधित्वलाई मर्ज गरिएको ट्रिपलेटको सन्दर्भ योगदानहरूको योगको रूपमा गणना गरिन्छ।
   त्यसकारण, प्रत्येक भोक्सेलको सन्दर्भलाई यसको सन्दर्भ शब्दकोशमा कब्जा गरिएको भोक्सेलको स्वतन्त्र योगदानको योगको रूपमा गणना गर्न सकिन्छ। यो संरचनाले कठिन म्याट्रिक्स लुकअप बिना सन्दर्भ शब्दकोशमा भोक्सेल थप्नु पर्छ कि छैन भनेर निर्धारण गर्न मद्दत गर्दछ, जसको परिणामस्वरूप कम्प्युटेसनल जटिलता र रनटाइममा उल्लेखनीय कमी हुन्छ।
3. सम्भाव्यता गणना
   एन्ट्रोपी सम्भाव्यता गणना गर्न, अनुक्रमको लम्बाइ र यसको घटक भोक्सेलको सन्दर्भ दुवैलाई ध्यानमा राख्नुपर्छ। यस मोड्युलमा, हामी एउटा अनुकूली एन्कोडर डिजाइन गर्छौं जसले पहिले सन्दर्भ शब्दकोशबाट प्रत्येक समूहको लागि माथिल्लो र तल्लो संचयी सम्भाव्यता सीमाहरू अनुमान गर्दछ, र त्यसपछि यसलाई पछि सङ्केत गर्दछ। सबैभन्दा पहिले, हामी मार्कोभ चेन मोडेलमा आधारित बाइनरी रूख निर्माण गर्छौं। भोक्सेलको अधिभोगलाई पार गरेर, हामी क्रमशः 1 र 0 को मानहरू ओगटेड र खाली भोक्सेलहरूलाई प्रदान गर्छौं, र रूखको संरचनामा आधारित सम्भाव्यता गणना गर्छौं। रूट नोडबाट सुरु गर्दै, जब भोक्सेल ओगटेको छ, हामी बायाँ चाइल्ड नोडलाई 1 को रूपमा रेकर्ड गर्छौं। अन्यथा, हामी दायाँ चाइल्ड नोडलाई ० को रूपमा चिन्ह लगाउँछौं र निर्णय र विभाजनको अर्को चरणमा जान्छौं। कब्जा गरिएको भोक्सेलको रन सम्भावनाको लागि गणना सूत्र Eq मा फेला पार्न सकिन्छ। (४)।

n भन्दा कम वा बराबर रन लम्बाइहरूका लागि, भोक्सेलहरूको अधिभोग अवस्थाहरू प्रतिनिधित्व गर्ने 2n ट्री नोडहरू हुन सक्छन्। तसर्थ, कुनै पनि कब्जा गरिएको भोक्सेलको सम्भाव्यतालाई मूलबाट सुरु हुने र रूखको कुनै पनि बालविहीन नोडमा अन्त्य हुने सबै राज्यहरू पार गर्ने स्वतन्त्र संयुक्त सम्भावनाद्वारा प्रतिनिधित्व गरिन्छ। Eq को आधारमा। (४), भोक्सेल अनुक्रमको कब्जामा अंकगणितीय सङ्केतन प्रदर्शन गर्न, हामीलाई अनुक्रमको संचयी माथिल्लो र तल्लो सम्भाव्यताहरू चाहिन्छ, जस्तै Eq मा देखाइएको छ। (५)।

यस दृष्टिकोणलाई प्रयोग गर्दै, हामी अनुकूलित सम्भाव्यता अनुमान मोडेल र वर्तमान प्रतीक अनुक्रममा प्रत्येक प्रतीकको आवृत्तिको आधारमा प्रत्येक प्रतीकको सम्भाव्यता अनुमान मान समायोजन गर्न अंकगणित कोडिङको अनुकूली गुणहरू प्रयोग गर्न सक्छौं। यसले हामीलाई कब्जा गरिएको भोक्सेलको संचयी सम्भाव्यताको माथिल्लो र तल्लो सीमाहरू गणना गर्न र इन्कोडिङ प्रक्रिया पूरा गर्न अनुमति दिन्छ।

प्रयोग

कार्यान्वयन विवरण

1. डाटासेट। हाम्रो प्रस्तावित विधिको कार्यसम्पादन प्रमाणित गर्न, रेफबाट डाउनलोड गर्न सकिने १६ बिन्दु क्लाउड डेटासेटहरूमा व्यापक प्रयोगहरू सञ्चालन गरियो। [४०], चित्र ३ मा देखाइए अनुसार, जसमा फिग्स। 16(a)- 40(l) बाक्लो बिन्दुहरू र फिगहरू भएका पोर्ट्रेटहरू हुन्। 3(m) - 3(p) विरल बिन्दुहरू भएको वास्तुकला हो। अन्जीर। 3(a) - 3(h) माइक्रोसफ्टबाट प्राप्त दुई स्थानिय रिजोल्युसनहरूको भोक्सेलाइज्ड अपर बडी पोइन्ट क्लाउड डेटा अनुक्रमहरू हुन्। अन्जीर। 3(i) - 3(l) 3i भोक्सेलाइज्ड फुल बडी पोइन्ट क्लाउड डेटा अनुक्रमहरूबाट छनोट गरिन्छ। फिग्समा बाँकी ठूला स्केल विरल बिन्दु बादलहरू। 3(k)- 3(p) स्थिर अनुहार र वास्तुकला डेटासेटहरू हुन्।
2. मूल्याङ्कन मेट्रिक्स। प्रस्तावित विधिको कार्यसम्पादन बिट प्रति बिन्दु (BPP) को आधारमा मूल्याङ्कन गरिन्छ। BPP ले बिन्दुमा संलग्न समन्वय जानकारी द्वारा कब्जा गरिएको बिटहरूको योगलाई जनाउँछ। कम मूल्य, राम्रो प्रदर्शन। जहाँ Sizedig ले बिन्दु क्लाउड डेटाको समन्वय जानकारी द्वारा कब्जा गरिएको बिट्सको संख्या प्रतिनिधित्व गर्दछ, र k ले मूल बिन्दु क्लाउडमा बिन्दुहरूको संख्यालाई जनाउँछ।
3. बेन्चमार्कहरू। हामी मुख्यतया हाम्रो विधिलाई अन्य आधारभूत एल्गोरिदमहरूसँग तुलना गर्छौं, जसमा: PCL-PCC: PCL मा अक्ट्री-आधारित कम्प्रेसन; G-PCC (MPEG intra-coders test model) र interEM (MPEG इन्टर-कोडर टेस्ट मोडेल) क्रमशः लक्ष्य सिंगल-फ्रेम र बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसन; सिल्हूट 3D (S3D) [41] र सिल्हूट 4D (S4D) [42] क्रमशः एकल फ्रेम र बहु-फ्रेम बिन्दु क्लाउड कम्प्रेसन लक्षित।
   PCL का लागि, हामी ज्यामिति कम्प्रेसनको लागि PCL-v1.8.1 मा अक्ट्री पोइन्ट क्लाउड कम्प्रेसन दृष्टिकोण प्रयोग गर्छौं। हामीले पोइन्ट प्रेसिजन र भोक्सेल रिजोलुसनबाट अक्ट्री रिजोलुसन प्यारामिटरहरू सेट गर्छौं। G-PCC (TM13-v11.0) को लागि, हामी हानिरहित ज्यामिति छनोट गर्छौं -लसलेस एट्रिब्युट्स अवस्था एक अक्ट्री-प्रेडिक्टिव मोडमा, प्यारामिटरहरूलाई पूर्वनिर्धारित रूपमा छोडेर। InterEM (tmc3v3.0) को लागि, हामी तुलनाको रूपमा हानिरहित ज्यामिति र हानिरहित विशेषताहरू सर्तहरू अन्तर्गत प्रयोगात्मक परिणामहरू प्रयोग गर्छौं [43]। S3D को लागी
   र S4D, हामी पूर्वनिर्धारित सर्तहरू र प्यारामिटरहरू पालना गर्छौं।
4. हार्डवेयर। प्रस्तावित एल्गोरिथ्म PCL-v1.8.1 को केहि प्रकार्यहरू प्रयोग गरेर Matlab र C++ मा लागू गरिएको छ। सबै प्रयोगहरू 7 GB मेमोरीको साथ Intel Core i8750- 2.20 CPU @8 GHz भएको ल्यापटपमा परीक्षण गरिएका छन्।

एकल-फ्रेम पोइन्ट क्लाउड कम्प्रेसनको परिणामहरू

1. घना बिन्दु क्लाउड डेटा अनुक्रम को पोर्ट्रेट को कम्प्रेसन परिणाम
   तालिका 1 ले PCL-PCC, G-PCC र S3D विधिहरूसँग घने बिन्दु क्लाउड डेटा अनुक्रमहरूको पोर्ट्रेटहरूको तुलनामा हाम्रो स्थानिय सन्दर्भ निर्देशित हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसन एल्गोरिदमहरूको प्रदर्शन देखाउँछ। यो तालिका 1 बाट देख्न सकिन्छ कि एउटै अनुक्रम को सबै बिन्दु क्लाउड को लागी, प्रस्तावित विधिले अन्य विधिहरु को तुलना मा सबै भन्दा कम कम्प्रेसन BPP प्राप्त गर्दछ। हाम्रो एल्गोरिदमले S1.56D विरुद्ध −0.02% देखि −3% सम्मको औसत लाभ र G-PCC विरुद्ध −10.62% बाट −1.45% सम्मको लाभ प्रदान गर्दछ। यसले अझ स्पष्ट एडभान देखाउँछtage, त्यो हो, प्रस्तावित एल्गोरिथ्म दायराको कम्प्रेसन प्रदर्शन लाभहरू −10.62% देखि −1.45%; PCL-PCC को लागि, प्रस्तावित एल्गोरिदमले −154.43% देखि −85.39% सम्मका सबै अनुक्रमहरूमा लगभग दोब्बर लाभ देखाउँछ।
2. ठूलो स्केल स्प्यार्स बिन्दु क्लाउड डेटाको सङ्कुचन परिणामहरू
   यस अवस्थामा S3D ले काम गर्न नसक्ने हुनाले, हामीले हाम्रो स्थानिय सन्दर्भ-निर्देशित हानिरहित ज्यामिति बिन्दु क्लाउड कम्प्रेसन एल्गोरिदमलाई PCL-PCC र G-PCC विधिहरू ठूला-ठूला स्पार्स पोइन्ट क्लाउड डेटामा मात्र तुलना गर्छौं। फेरि, हाम्रो एल्गोरिदमले G-PCC र PCL-PCC सँग उल्लेखनीय कार्यसम्पादन हासिल गर्छ, तालिका 1 मा देखाइए अनुसार। परिणामहरूले G-PCC को तुलनामा −8.84% देखि −4.35% सम्मको औसत BPP लाभहरू कैद गरिएको देखाएको छ। PCL- PCC को लागि, हाम्रो प्रस्तावित एल्गोरिथ्मले अझ स्पष्ट एडभान देखाउँछtages, −34.69% देखि −23.94% सम्मको लाभको साथ।
3. सारांश
   एकल फ्रेम पोइन्ट क्लाउड कम्प्रेसन नतिजाहरूको थप बुझ्न योग्य तुलना प्रदान गर्न, तालिका 2 ले हाम्रो स्थानिय सन्दर्भ-निर्देशित कम्प्रेसन विधि र अन्य अत्याधुनिक बेन्चमार्क विधिहरू बीचको औसत परिणामहरू प्रस्तुत गर्दछ। S3D सँग तुलना गर्दा, हाम्रो प्रस्तावित विधिले − 0.58% देखि −3.43% सम्मको औसत लाभहरू देखाउँछ। G-PCC र PCL-PCC को लागि, औसत लाभले क्रमशः कम्तिमा −3.43% र −95.03% हासिल गर्छ। प्रायोगिक विश्लेषणले बताउँछ कि हाम्रो स्थानिय सन्दर्भ निर्देशित कम्प्रेसन विधिले हालको S3D, G-PCC र PCL-PCC लाई महत्त्वपूर्ण मार्जिनले पार गर्छ। यसरी, यसले विभिन्न दृश्य प्रकारहरू, जस्तै, घना वा विरल वितरणहरूका लागि बिन्दु क्लाउड ज्यामितिको हानिरहित कम्प्रेसन आवश्यकताहरू पूरा गर्न सक्छ, र हाम्रो विधिको प्रभावकारिता निरन्तर रहन्छ।
4. बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसनको परिणामहरू
   हामी हाम्रो प्रस्तावित स्थानिय-अस्थायी सन्दर्भ-निर्देशित बिन्दु क्लाउड ज्यामिति कम्प्रेसन एल्गोरिदमलाई अवस्थित कम्प्रेसन एल्गोरिदमहरू जस्तै S4D, PCL-PCC, G-PCC र interEM विरुद्ध मूल्याङ्कन गर्छौं। यस प्रयोगमा घना बिन्दु क्लाउड डेटा अनुक्रमहरूको मात्र चित्रहरू प्रयोग गरिन्छ। परिणामहरू मा चित्रण गरिएको छ।

तालिका १। BPP हाम्रो स्थानिय सन्दर्भ-निर्देशित कम्प्रेसन एल्गोरिथ्म र आधारभूत विधिहरूको तुलना।

तालिका १। एकल-फ्रेम पोइन्ट क्लाउड डेटामा अत्याधुनिक एल्गोरिदमहरूसँग BPP तुलना।

तालिका १। हामी देख्न सक्छौं, भविष्यवाणी मोड र अंकगणित एन्कोडरमा अनुकूलन पछि, प्रस्तावित एल्गोरिथ्मले सबै परीक्षण अनुक्रमहरूमा श्रेष्ठता देखाउँछ। विशेष रूपमा, interEM र G-PCC सँग तुलना गर्दा, प्रस्तावित एल्गोरिथ्मले क्रमशः −51.94% देखि −17.13% र −46.62% देखि −5.7% सम्मको महत्त्वपूर्ण लाभहरू देखाउँछ। S4D सँग तुलना गर्दा, प्रस्तावित एल्गोरिदमले −12.18% देखि −0.33% सम्मको बलियो सुधार देखाउँछ। PCL-PCC को लागि, हाम्रो प्रस्तावित एल्गोरिदम सबै परीक्षण अनुक्रमहरूमा लगभग आधा भएको छ।
यसबाहेक, हामी पोर्ट्रेटको घने बिन्दु क्लाउड डेटा अनुक्रमहरूमा प्रस्तावित विधिको कम्प्रेसन परिणामहरू र लाभहरू संक्षेपमा प्रस्तुत गर्दछौं, तालिका 4 मा सूचीबद्ध। औसतमा, यसले स्थानिय सन्दर्भ-निर्देशित बिन्दु क्लाउडको तुलनामा −11.5% र −2.59% बीचको लाभहरू प्रदान गर्दछ। ज्यामिति कम्प्रेसन एल्गोरिथ्म पहिले प्रस्तावित। यसबाहेक, यसले G-PCC को तुलनामा −19% को उच्च औसत लाभ देखाउँछ र interEM को तुलनामा −24.55% को औसत कोडिङ लाभ हासिल गरेको छ। थप रूपमा, S3D र S4D को तुलनामा, यसले औसतमा क्रमशः −6.11% र −3.64% भन्दा बढी प्राप्त गर्छ। समग्र प्रयोगात्मक विश्लेषणले देखाउँछ कि spatiotemporal सन्दर्भ-निर्देशित बिन्दु क्लाउड कम्प्रेसन विधिले इन्ट्रा-फ्रेमहरू र अन्तर-फ्रेमहरू भित्र छेउछाउका तहहरूको स्थानिय र अस्थायी सहसंबंधको पूर्ण प्रयोग गर्न सक्छ। हामीले कम बिट दर प्राप्त गर्न अंकगणित इन्कोडरको विश्वव्यापी सन्दर्भ चयन र सम्भाव्यता मोडेललाई पनि सुधार गर्छौं। प्रस्तावित विधिले अत्याधुनिक एल्गोरिदमहरूको कार्यसम्पादनलाई उछिनेको छ, ताकि डायनामिक पोर्ट्रेटहरू जस्ता मल्टिमिडिया अनुप्रयोग परिदृश्यहरूमा पोइन्ट क्लाउड ज्यामिति हानिरहित कम्प्रेसनको आवश्यकताहरू पूरा गर्न सकिन्छ।

तालिका १। हाम्रो spatio-temporal सन्दर्भ-निर्देशित कम्प्रेसन एल्गोरिथ्म र आधारभूत विधिहरूको बिट-प्रति-बिन्दु तुलना।

तालिका १। बहु-फ्रेम बिन्दु क्लाउड डेटामा अत्याधुनिक एल्गोरिदमहरूसँग बिट-प्रति-बिन्दु तुलना।

उन्मूलन अध्ययन
हामीले विभाजनको प्रभावकारिता प्रदर्शन गर्न 8i भोक्सेलाइज्ड फुल-बॉडी पोइन्ट क्लाउड डेटा अनुक्रमहरूमा भविष्यवाणी गर्ने एन्कोडिङमा एब्लेशन अध्ययनहरू प्रदर्शन गर्छौं। यो तालिका 5 बाट देख्न सकिन्छ कि सुधारले मल्टीफ्रेम पोइन्ट क्लाउड कम्प्रेसनमा −70% र गैर-विभाजन भविष्यवाणी कोडिङ विरुद्ध एकल-फ्रेम पोइन्ट क्लाउड कम्प्रेसनमा −60% को स्थिर लाभ देखाउँछ।
अर्को, हामी सन्दर्भ शब्दकोश को प्रभावकारिता प्रदर्शन गर्न अंकगणित कोडिङ मा एक पृथक प्रयोग प्रदर्शन गर्छौं। तालिका 6 मा देखाइए अनुसार, बहु-फ्रेम पोइन्ट क्लाउड कम्प्रेसनमा −33% को बलियो सुधार र सन्दर्भ शब्दकोश बिना अंकगणित कोडिङ विरुद्ध एकल-फ्रेम पोइन्ट क्लाउड कम्प्रेसनमा −41% को बलियो सुधार हाम्रो विधिमा अवलोकन गरिएको छ।

समय खपत
हामी एल्गोरिथ्म जटिलता मूल्याङ्कन गर्न र अन्यसँग प्रस्तावित विधिहरू तुलना गर्न समय खपत परीक्षण गर्छौं। एल्गोरिथ्म जटिलता इन्कोडरहरू र डिकोडरहरूद्वारा स्वतन्त्र रूपमा विश्लेषण गरिन्छ, तालिका 7 मा सूचीबद्ध। हामीले देख्न सक्छौं, G-PCC, interEM र PCL-PCC ले १० सेकेन्डभन्दा कमको इन्कोडिङ समय र ५ सेकेन्डभन्दा कमको डिकोडिङ समय प्राप्त गर्न सक्छ। पोर्ट्रेट-घन बिन्दु क्लाउड डेटा। तिनीहरूले अरूको तुलनामा ठूलो मात्रामा स्पार्स पोइन्ट क्लाउड डेटामा पनि राम्रो प्रदर्शन गर्छन्। हाम्रो प्रस्तावित एल्गोरिदमहरूले पोर्ट्रेट अनुक्रमहरू इन्कोड गर्न र डिकोड गर्न लगभग 10 सेकेन्ड र 5 सेकेन्ड लिन्छन्, अनुहार र आर्किटेक्चर पोइन्ट क्लाउड डेटामा अझ बढी। बिटरेट र कम्प्रेसन गति बीच एक व्यापार-अफ छ। S60D र S15D को तुलनामा, जसले इन्कोड गर्न सयौं सेकेन्ड लिन्छ, हाम्रो समय-उपभोग गर्ने विधिले श्रेष्ठता देखाउन सक्छ।
संक्षेपमा, हाम्रो प्रस्तावित विधिहरूको समय खपत सबै तुलनात्मक एल्गोरिदमहरू बीचमा मध्यम छ तर अझै सुधार गर्न आवश्यक छ।

निष्कर्ष

यस पेपरमा, हामी हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि स्पेसियोटेम्पोरल सन्दर्भ-निर्देशित विधि प्रस्ताव गर्दछौं। हामी एकाइ मोटाईको टुक्रा बिन्दु क्लाउडलाई इनपुट एकाइको रूपमा विचार गर्छौं र यात्रा सेल्सम्यान एल्गोरिदममा आधारित ज्यामिति भविष्यवाणी कोडिङ मोडलाई अपनाउँछौं, जुन इन्ट्रा-फ्रेम र इन्टर-फ्रेम दुवैमा लागू हुन्छ। यसबाहेक, हामी बिन्दु क्लाउडहरूको हानिरहित कम्प्रेसन र डिकम्प्रेसन परिणामहरू प्राप्त गर्न सन्दर्भ-छिटो अपडेटमा आधारित विश्वव्यापी सन्दर्भ जानकारी र अनुकूली अंकगणित एन्कोडरको पूर्ण प्रयोग गर्छौं। प्रायोगिक नतिजाहरूले हाम्रा विधिहरूको प्रभावकारिता र अघिल्लो अध्ययनहरूमा तिनीहरूको श्रेष्ठता देखाउँछन्। भविष्यको कामको लागि, हामी उच्च-गति कम्प्रेसन दर र कम बिट दर कम्प्रेसन परिणामहरू प्राप्त गर्न एल्गोरिथ्म जटिलता घटाएर एल्गोरिदमको समग्र जटिलतालाई थप अध्ययन गर्ने योजना गर्छौं। कम बिट दर र वास्तविक-समय / कम-ढिलाइ समर्थित विधि विभिन्न प्रकारका दृश्यहरूमा अत्यधिक वांछनीय छ।

सन्दर्भहरू

1. MI XX, YANG BS, DONG Z, et al। MLS पोइन्ट क्लाउडहरू [J] प्रयोग गरेर स्वचालित 3D सडक सीमा निकासी र भेक्टराइजेशन। बौद्धिक यातायात प्रणालीमा IEEE लेनदेन, 2022, 23(6): 5287 – 5297। DOI: 10.1109/ TITS.2021.3052882
2. DONG Z, Liang FX, YANG BS, et al। ठूला स्तरको स्थलीय लेजर स्क्यानर पोइन्ट क्लाउडहरूको दर्ता: एक पुन:view र बेन्चमार्क [J]। फोटोग्रामेट्री र रिमोट सेन्सिङको ISPRS जर्नल, 2020, 163: 327– 342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. GRAZIOSI D, NAKAGAMI O, KUMA S, et al। एक ओभरview चलिरहेको बिन्दु क्लाउड कम्प्रेसन मानकीकरण गतिविधिहरूको: भिडियो-आधारित (V-PCC) र ज्यामिति-आधारित (G-PCC) [J]। सिग्नल र सूचना प्रशोधनमा APSIPA लेनदेन, 2020, 9: e13
4. DE QUEIROZ RL, CHOU P A. क्षेत्र-अनुकूल पदानुक्रमित रूपान्तरण [J] प्रयोग गरेर 3D बिन्दु क्लाउडहरूको सङ्कुचन। छवि प्रशोधनमा IEEE लेनदेन, 2016, 25(8): 3947–3956। DOI: 10.1109/TIP.2016.2575005
5. BLETTERER A, PAYAN F, ANTONINI M, et al। गहिराई नक्शा [J] प्रयोग गरेर पोइन्ट क्लाउड कम्प्रेसन। इलेक्ट्रोनिक इमेजिङ, 2016, 2016(21):1-6
6. MEKURIA R, BLOM K, CESAR P. टेली-इमर्सिभ भिडियो [J] को लागि पोइन्ट क्लाउड कोडेकको डिजाइन, कार्यान्वयन र मूल्याङ्कन। भिडियो प्रविधिको लागि सर्किट र प्रणालीहरूमा IEEE लेनदेन, 2017, 27(4): 828 – 842। DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL, CHOU P A. गतिशील भोक्सेलाइज्ड बिन्दु क्लाउड [J] को गति-क्षतिपूर्ति कम्प्रेसन। छवि प्रशोधनमा IEEE लेनदेन, 2017, 26 (8): 3886–3895। DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. 3D पोइन्ट क्लाउड कम्प्रेसन: एक सर्वेक्षण [C]// 24D मा 3 औं अन्तर्राष्ट्रिय सम्मेलन Web प्रविधि। ACM, 2019: 1-9। DOI: 10.1145/3329714.3338130
9. GRAZIOSI D, NAKAGAMI O, KUMA S, et al। एक ओभरview चलिरहेको बिन्दु क्लाउड कम्प्रेसन मानकीकरण गतिविधिहरूको: भिडियो-आधारित (V-PCC) र ज्यामिति-आधारित (G-PCC) [J]। सिग्नल र सूचना प्रशोधनमा APSIPA लेनदेन, 2020, 9(1): e13। DOI: 10.1017/atsip.2020.12
10. HUANG Y, PENG JL, KUO CJ, et al। पोइन्ट क्लाउडहरूको अक्ट्री-आधारित प्रगतिशील ज्यामिति कोडिङ [C]//द 3rd Eurographics/IEEE VGTC सम्मेलन बिन्दु-आधारित ग्राफिक्समा। IEEE, 2016: 103-110
11. FAN YX, HUANG Y, PENG J L. प्वाइन्ट क्लाउड कम्प्रेसन श्रेणीबद्ध बिन्दु क्लस्टरिङमा आधारित [C]//Asia-Pacific Signal and Information Processing Association वार्षिक शिखर सम्मेलन र सम्मेलन। IEEE, 2014: 1 - 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. ज्यामिति-आधारित बिन्दु क्लाउड कोडिङका लागि अनुकूली बहु-स्तर त्रिकोण सूप [C]// मल्टिमिडिया सिग्नल प्रोसेसिङ (MMSP) मा 21 औं अन्तर्राष्ट्रिय कार्यशाला। IEEE, 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, et al। आकार ढाँचा विश्लेषण [J] मा आधारित बिन्दु सेट सतह सङ्कुचन। मल्टिमिडिया उपकरण र अनुप्रयोगहरू, 2017, 76(20): 20545–20565। DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al। त्रि-आयामी बिन्दु क्लाउड कम्प्रेसन र डिग्री वन [J] को बहुपदहरू प्रयोग गरेर डिकम्प्रेसन। सममिति, 2019, 11(2): 209। DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX, et al। क्लस्टरिङ [J] मा आधारित एक उपन्यास बिन्दु क्लाउड कम्प्रेसन एल्गोरिथ्म। IEEE रोबोटिक्स र स्वचालन पत्र, 2019, 4(2): 2132–2139। DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al। ग्राफ-आधारित स्थिर 3D बिन्दु क्लाउड ज्यामिति कोडिङ [J]। मल्टिमिडियामा IEEE लेनदेन, 2019, 21(2): 284–299। DOI: 10.1109/TMM.2018.2859591
17. ISO। ज्यामिति-आधारित बिन्दु क्लाउड कम्प्रेसन (G-PCC): ISO/IEC 23090-9 [S]। २०२१
18. DRICOT A, ASCENSO J. हाइब्रिड अक्ट्री-प्लेन पोइन्ट क्लाउड ज्यामिति कोडिङ [C]//27 औं यूरोपीयन सिग्नल प्रोसेसिङ सम्मेलन (EUSIPCO)। IEEE, 2019: 1-5
19. ZHANG X, GAO W, LIU S. बिन्दु क्लाउड कम्प्रेसनको लागि निहित ज्यामिति विभाजन [C]//२०२० डाटा कम्प्रेसन सम्मेलन (DCC) को कार्यवाही। IEEE, २०२०: ७३–८२। DOI: 2020/DCC2020
20. QUACH M, VALENZISE G, DUFAUX F. हानि पोइन्ट क्लाउड ज्यामिति कम्प्रेसनको लागि कन्भोलुसनल रूपान्तरणहरू सिक्दै IEEE, 2019: 2019– 4320. DOI: 4324/ICIP.10.1109
21. HUANG TX, LIU Y. गहिरो शिक्षामा 3D बिन्दु क्लाउड ज्यामिति कम्प्रेसन [C]// मल्टिमिडियामा 27 औं ACM अन्तर्राष्ट्रिय सम्मेलन। ACM, 2019: 890-898। DOI: 10.1145/3343031.3351061
22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. पोइन्ट क्लाउड कोडिङ: गहिरो शिक्षामा आधारित दृष्टिकोण अपनाउने [C]//पिक्चर कोडिङ सिम्पोजियम (PCS)। IEEE, 2020: 1-5। DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z, et al। बिन्दु क्लाउड ज्यामिति कम्प्रेसन [EB/OL] सिक्नुभयो। [२०२३-०९-०१]। https://arxiv.org/abs/1909.12037.pdf
24. ऐनाला के, मेकुरिया आरएन, खतरिया बी, आदि। प्लेन प्रोजेक्शन एप⁃ प्रोक्सिमेसन [C]//SPIE अप्टिकल इन्जिनियरिङ्+एप्लिकेशन्सको साथ अक्ट्री-आधारित पोइन्ट क्लाउड कम्प्रेसनको लागि सुधारिएको एन्हान्स⁃ मेन्ट लेयर। SPIE, 2016: 223– 231. DOI: 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKOR-SEVOM V, et al। भोल्युमेट्रिक भिडियो डेटाको 2D भिडियो कोडिङ [C]// पिक्चर कोडिङ सिम्पोजियम (PCS)। IEEE, 2018: 61-65। DOI: 10.1109/PCS.2018.8456265
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. प्रोजेक्शन-आधारित डायनामिक पोइन्ट क्लाउड कोडिङको लागि ज्यामिति-निर्देशित 3D डाटा इन्टरपोलेसन [C]// दृश्य सूचना प्रशोधन (EUVIP) मा 7th यूरोपीयन कार्यशाला। IEEE, 2019: 1-6। DOI: 0.1109/EUVIP.2018.8611760
27. काठरिया बी, लि एल, लि जेड, आदि। हानिरहित गतिशील बिन्दु क्लाउड ज्यामिति कम्प्रेसन अन्तर-क्षतिपूर्ति र यात्रा सेल्सम्यान भविष्यवाणी [C]// डाटा कम्प्रेसन सम्मेलन। IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO। भिजुअल भोल्युमेट्रिक भिडियो-आधारित कोडिङ (V3C) र भिडियो-आधारित पोइन्ट क्लाउड कम्प्रेसन: ISO/IEC 23090-5 [S]। २०२१
29. पार्क जे, ली जे, पार्क एस, आदि। 3D पोइन्ट क्लाउड कम्प्रेसन [J] को लागि प्रोजेक्शन-आधारित कब्जा नक्शा कोडिङ। IEIE लेनदेन स्मार्ट प्रोसेसिङ र कम्प्युटिङ, 2020, 9(4): 293–297। DOI: 10.5573/ieiespc.2020.9.4.293
30. COSTA A, DRICOT A, BRITES C, et al। MPEG V-PCC मानक [C]//IEEE 21st अन्तर्राष्ट्रिय कार्यशाला मल्टिमिडिया सिग्नल प्रोसेसिङ (MMSP) को लागि सुधारिएको प्याच प्याकिङ। IEEE, 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901690
31. KAMMERL J, BLODOW N, RUSU RB, et al। पोइन्ट क्लाउड स्ट्रिमहरूको वास्तविक-समय कम्प्रेसन [C]// रोबोटिक्स र स्वचालनमा 2012 IEEE अन्तर्राष्ट्रिय सम्मेलनको कार्यवाही। IEEE, 2012: 778 - 785. DOI: 10.1109/ ICRA.2012.6224647
32. PCL। पोइन्ट क्लाउड लाइब्रेरी। [EB/OL]। [२०२३-०९-०१]। http://pointclouds.org/
33. THANOU D, CHOU PA, FROSSARD P. गतिशील 3D बिन्दु क्लाउड अनुक्रमहरूको ग्राफ-आधारित कम्प्रेसन [J]। छवि प्रशोधनमा IEEE लेनदेन, 2016, 25(4): 1765–1778। DOI: 10.1109/TIP.2016.2529506
34. LI L, LI Z, ZAKHARCHENKO V, et al। भिडियो-आधारित पोइन्ट क्लाउड एट्रिब्युट कम्प्रेसन [C]//डेटा कम्प्रेसन सम्मेलन (DCC) को लागि उन्नत 3D गति भविष्यवाणी। IEEE, 2019: 498-507। DOI: 10.1109/DCC.2019.00058
    ZHAO LL, MA KK, LIN XH, et al। वास्तविक-समय LiDAR पोइन्ट क्लाउड कम्प्रेसन द्वि-दिशात्मक भविष्यवाणी र दायरा-अनुकूल फ्लोटिंग-पोइन्ट कोडिङ [J] प्रयोग गरेर। प्रसारणमा IEEE लेनदेन, 2022, 68(3): 620 – 635। DOI: 10.1109/TBC.2022.3162406
35. लिन JP, LIU D, LI HQ, et al। M-LVC: सिकेको भिडियो कम्प्रेसनको लागि बहु फ्रेम भविष्यवाणी [C]//IEEE/CVF कम्प्युटर भिजन र ढाँचा पहिचानमा सम्मेलन। IEEE, 2020: 3543 – 3551। DOI: 10.1109/ CVPR42600.2020.00360
36. याङ आर, मेन्टजर एफ, भ्यान गुल एल, एट अल। पदानुक्रमिक गुणस्तर र पुनरावर्ती वृद्धि [C]//IEEE/CVF सम्मेलन कम्प्युटर भिजन र ढाँचा पहिचानको साथ भिडियो कम्प्रेसनको लागि सिक्दै। IEEE, 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. अनुक्रम अनुकूलित CNN मोडेलहरू प्रयोग गरेर पोइन्ट क्लाउड अनुक्रमहरूको हानिरहित कम्प्रेसन [J]। IEEE पहुँच, 2022, 10: 83678 –83691। DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. ओरिएन्टेड बाउन्डिङ बक्स र फ्रि-फार्म सतहहरूको 5-अक्ष मेसिनिङमा अक्ट्रि-आधारित ग्लोबल हस्तक्षेप पत्ता लगाउने [J]। कम्प्यूटर-सहायता डिजाइन, 2004, 36(13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM, et al। MPEG पोइन्ट क्लाउड कम्प्रेसन [J] मा दर-विरूपण प्रदर्शनको एक व्यापक अध्ययन। सिग्नल र सूचना प्रशोधनमा APSIPA लेनदेन, 2019, 8: e27। doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. dyadic decomposition [J] को प्रयोग गरेर बिन्दु क्लाउड ज्यामितिको इन्ट्रा-फ्रेम कम्प्रेसन। IEEE सिग्नल प्रशोधन पत्र, 2020, 27: 246–250। DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. सिल्हूट 4D सन्दर्भ चयनको साथ: गतिशील बिन्दु क्लाउडहरू [J] को दोषरहित ज्यामिति कम्प्रेसन। IEEE सिग्नल प्रशोधन पत्र, 2021, 28: 1660 - 1664। DOI: 10.1109/ lsp.2021.3102525
42. ISO। G-PCC कागजात N00106 को लागि सामान्य परीक्षण सर्तहरू: ISO/IEC JTC 1/ SC 29/WG 7 MPEG [S]। २०२१

जीवनीहरू

• झाङ हुइरान उनले 2020 र 2023 मा क्रमशः चीनको वुहान युनिभर्सिटीबाट सर्भेइङ म्यापिङ र रिमोट सेन्सिङमा स्कूल अफ जियोडेसी एन्ड जियोमेटिक्स र स्टेट की ल्याबोरेटरी अफ इन्फर्मेशन इन्जिनियरिङमा BE र ME डिग्रीहरू प्राप्त गरिन्। उनी हाल चीनको ग्वाङ्झाउ अर्बन प्लानिङ एण्ड डिजाइन सर्भे रिसर्च इन्स्टिच्युटको सर्वेक्षक हुन्। उनको अनुसन्धान रुचिहरूमा पोइन्ट क्लाउड डाटा प्रोसेसिंग र कम्प्रेसन समावेश छ। उनले रिमोट सेन्सिङ क्षेत्रसँग सम्बन्धित धेरै परियोजनाहरूमा भाग लिइन् र वुहान विश्वविद्यालयको जियोमेटिक्स र सूचना विज्ञानमा एउटा पेपर प्रकाशित गरिन्।
• डोङ जेन (dongzhenwhu@whu.edu.cn) ले 2011 र 2018 मा क्रमशः चीनको वुहान विश्वविद्यालयबाट रिमोट सेन्सिङ र फोटोग्रामेट्रीमा BE र PhD डिग्री प्राप्त गरे। उहाँ सर्वेक्षण, म्यापिङ र रिमोट सेन्सिङ (LIESMARS), वुहान विश्वविद्यालयमा सूचना इन्जिनियरिङको राज्य कुञ्जी प्रयोगशालामा प्राध्यापक हुनुहुन्छ। उनको अनुसन्धान रुचिहरूमा थ्रीडी पुनर्निर्माण, दृश्य बुझाइ, पोइन्ट क्लाउड प्रशोधनका साथै बौद्धिक यातायात प्रणाली, डिजिटल जुम्ल्याहा शहरहरू, शहरी दिगो विकास र रोबोटिक्समा तिनीहरूका अनुप्रयोगहरू समावेश छन्। उनले विभिन्न राष्ट्रिय तथा अन्तर्राष्ट्रिय प्रतियोगिताबाट १० भन्दा बढी सम्मान प्राप्त गर्नुका साथै विभिन्न जर्नल र सम्मेलनमा करिब ६० वटा शोधपत्र प्रकाशित गरेका छन् ।
  वाङ मिङसेङ सन् २००१ मा चीनको जिलिन विश्वविद्यालयबाट कलेज अफ कम्प्युटर साइन्स एन्ड टेक्नोलोजीमा बीई डिग्री र २००४ मा साउथ चाइना युनिभर्सिटी अफ टेक्नोलोजी, चाइनाबाट स्कूल अफ कम्प्युटर साइन्स एन्ड इन्जिनियरिङमा एमई डिग्री हासिल गरे। उहाँ हाल ग्वाङ्झाउ अर्बन प्लानिङमा वरिष्ठ इन्जिनियर हुनुहुन्छ। र डिजाइन सर्वेक्षण अनुसन्धान संस्थान, चीन। उनको अनुसन्धान रुचिहरूमा कम्प्युटर अनुप्रयोगहरू र सफ्टवेयर, फिजियोग्राफी, र सर्वेक्षण समावेश छ। उनले विभिन्न राष्ट्रिय प्रतियोगिताबाट 2001 भन्दा बढी सम्मान प्राप्त गरे र विभिन्न जर्नल र सम्मेलनहरूमा 2004 भन्दा बढी शोधपत्रहरू प्रकाशित गरे।

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, नोभेम्बर 8, 2023 अनलाइन प्रकाशित
पाण्डुलिपि प्राप्त: 2023-09-11

कागजातहरू / स्रोतहरू

हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि ZTE निर्देशित एल्गोरिथ्म [pdf] प्रयोगकर्ता गाइड हानिरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि निर्देशित एल्गोरिथ्म, निर्देशित, दोषरहित बिन्दु क्लाउड ज्यामिति कम्प्रेसनको लागि एल्गोरिथ्म, हानिरहित बिन्दु क्लाउड ज्यामिति सङ्कुचन, बिन्दु क्लाउड ज्यामिति सङ्कुचन, ज्यामिति सङ्कुचन

सन्दर्भहरू

• प्रयोगकर्ता पुस्तिका