ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ZTE ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ

ਨਿਰਧਾਰਨ:

• ਉਤਪਾਦ ਦਾ ਨਾਮ: ਨੁਕਸਾਨ ਰਹਿਤ ਬਿੰਦੂ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਕੰਟੈਕਸਟ-ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ
• ਲੇਖਕ: ZHANG Huiran, Dong Zhen, WANG Mingsheng
• ਪ੍ਰਕਾਸ਼ਿਤ: ਦਸੰਬਰ 2023
• DOI: 10.12142/ZTECOM.202304003

ਉਤਪਾਦ ਵਰਤੋਂ ਨਿਰਦੇਸ਼

ਜਾਣ-ਪਛਾਣ:
ਉਤਪਾਦ ਨੂੰ ਸਟੋਰੇਜ ਸਪੇਸ ਸਮਰੱਥਾ ਅਤੇ ਨੈੱਟਵਰਕ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਬੈਂਡਵਿਡਥ ਨਾਲ ਸਬੰਧਤ ਚੁਣੌਤੀਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਕੁਚਿਤ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ:

1. ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਵਿਸਤ੍ਰਿਤ ਯਾਤਰਾ ਸੇਲਜ਼ਮੈਨ ਸਮੱਸਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੰਟਰਫ੍ਰੇਮ ਅਤੇ ਇੰਟਰ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡਸ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।
2. ਕੁਸ਼ਲ ਸੰਭਾਵਨਾ ਗਣਨਾ ਅਤੇ ਸੰਕੁਚਨ ਨਤੀਜਿਆਂ ਲਈ ਤੇਜ਼ ਸੰਦਰਭ ਅਪਡੇਟ ਦੇ ਨਾਲ ਅਨੁਕੂਲ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ।

ਵਰਤੋਂ ਦੇ ਪੜਾਅ:

ਕਦਮ 1: ਪੁਆਇੰਟ ਬੱਦਲਾਂ ਨੂੰ ਵੰਡੋ
ਬਿੰਦੂ ਬੱਦਲਾਂ ਨੂੰ ਮੁੱਖ ਧੁਰੇ ਦੇ ਨਾਲ ਇਕਾਈ ਲੇਅਰਾਂ ਵਿੱਚ ਵੰਡੋ।

ਕਦਮ 2: ਡਿਜ਼ਾਈਨ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ
ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਰਿਡੰਡੈਂਸੀਆਂ ਦਾ ਲਾਭ ਉਠਾਉਣ ਲਈ ਯਾਤਰਾ ਸੇਲਜ਼ਮੈਨ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਮੋਡ ਡਿਜ਼ਾਈਨ ਕਰੋ।

ਕਦਮ 3: ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਏਨਕੋਡ ਕਰੋ
ਕੰਪਰੈਸ਼ਨ ਲਈ ਸੰਦਰਭ-ਅਨੁਕੂਲ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਿੱਟ ਸਟ੍ਰੀਮਾਂ ਵਿੱਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਲਿਖੋ।

ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ:

• ਸਵਾਲ: ਇਸ ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਮੁੱਖ ਫਾਇਦੇ ਕੀ ਹਨ?
  A: ਉਤਪਾਦ ਵਧੇ ਹੋਏ ਸੰਕੁਚਨ ਨਤੀਜਿਆਂ ਲਈ ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਸਬੰਧਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਦੇ ਕੁਸ਼ਲ ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।
• ਸਵਾਲ: ਕੀ ਇਹ ਉਤਪਾਦ ਸਿੰਗਲ-ਫ੍ਰੇਮ ਅਤੇ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਊਡ ਦੋਵਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ?
  A: ਹਾਂ, ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਇੰਟਰਾਫ੍ਰੇਮ ਅਤੇ ਇੰਟਰ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੋਵਾਂ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਬਹੁਪੱਖੀ ਵਰਤੋਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ।

ZHANG Huiran, Dong Zhen, WANG Mingsheng

1. ਗੁਆਂਗਜ਼ੂ ਸ਼ਹਿਰੀ ਯੋਜਨਾ ਅਤੇ ਡਿਜ਼ਾਈਨ ਸਰਵੇਖਣ ਖੋਜ ਸੰਸਥਾ, ਗੁਆਂਗਜ਼ੂ 510060, ਚੀਨ；
2. ਸ਼ਹਿਰੀ ਸੰਵੇਦਨਾ ਲਈ ਗੁਆਂਗਡੋਂਗ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਕੁੰਜੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ, ਮਾਨੀਟਰ ਅਤੇ ਅਰਲੀ ਚੇਤਾਵਨੀ, ਗੁਆਂਗਜ਼ੂ 510060, ਚੀਨ；
3. ਸਰਵੇਖਣ ਨਕਸ਼ਾ⁃ ਪਿੰਗ ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ, ਵੁਹਾਨ ਯੂਨੀਵਰਸਿਟੀ, ਵੁਹਾਨ 430079, ਚੀਨ) ਵਿੱਚ ਸੂਚਨਾ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਸਟੇਟ ਕੁੰਜੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ

ਸਾਰ: ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਭੌਤਿਕ ਸੰਸਾਰ ਦੀਆਂ 3D ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਜਿਵੇਂ ਕਿ 3D ਇਮਰਸਿਵ ਟੈਲੀਪ੍ਰੇਜ਼ੈਂਸ, ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ, ਅਤੇ ਸੱਭਿਆਚਾਰਕ ਵਿਰਾਸਤ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।tage ਸੰਭਾਲ. ਹਾਲਾਂਕਿ, ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਡੋਮੇਨਾਂ ਵਿੱਚ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਨੂੰ ਅਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ 3D ਸਪੇਸ ਵਿੱਚ ਬੇਲੋੜੇ ਖਾਲੀ ਵੌਕਸੇਲ ਅਤੇ ਕਮਜ਼ੋਰ ਸਬੰਧ ਕੁਸ਼ਲ ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਸਮੱਸਿਆ ਬਣਾਉਂਦੇ ਹਨ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਇੱਕ ਸਪੇਟੀਓ-ਟੈਂਪੋਰਲ ਪ੍ਰਸੰਗ-ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ। ਪ੍ਰਸਤਾਵਿਤ ਸਕੀਮ ਬਿੰਦੂ ਕਲਾਉਡ ਨੂੰ ਸਭ ਤੋਂ ਲੰਬੇ ਧੁਰੇ ਦੇ ਨਾਲ ਯੂਨਿਟ ਮੋਟਾਈ ਦੀਆਂ ਕੱਟੀਆਂ ਪਰਤਾਂ ਵਿੱਚ ਵੰਡਣ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਫਿਰ, ਇਹ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿਧੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਦੋਨੋਂ ਇੰਟਰਾਫ੍ਰੇਮ ਅਤੇ ਇੰਟਰ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਉਪਲਬਧ ਹੁੰਦੇ ਹਨ, ਨਾਲ ਲੱਗਦੀਆਂ ਪਰਤਾਂ ਦੇ ਵਿਚਕਾਰ ਪੱਤਰ ਵਿਹਾਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਕੇ ਅਤੇ ਯਾਤਰਾ ਸੇਲਜ਼ਮੈਨ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਕੇ। ਅੰਤ ਵਿੱਚ, ਕੁਝ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੇ ਬਾਕੀ ਬਚੇ ਕੁਸ਼ਲਤਾਪੂਰਵਕ ਸੰਦਰਭ-ਨਿਰਦੇਸ਼ਿਤ ਅਤੇ ਅਨੁਕੂਲਿਤ ਫਾਸਟਮੋਡ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਤਕਨੀਕਾਂ ਨਾਲ ਸੰਕੁਚਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਪ੍ਰਯੋਗ ਸਾਬਤ ਕਰਦੇ ਹਨ ਕਿ ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟ੍ਰਿਕ ਜਾਣਕਾਰੀ ਦੀ ਘੱਟ ਬਿੱਟ ਰੇਟ ਨੁਕਸਾਨ ਰਹਿਤ ਸੰਕੁਚਨ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੀ ਹੈ, ਅਤੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ 'ਤੇ ਲਾਗੂ 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਲਈ ਢੁਕਵੀਂ ਹੈ।
ਕੀਵਰਡ: ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ; ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਬੱਦਲ; ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਬੱਦਲ; ਭਵਿੱਖਬਾਣੀ ਕੋਡਿੰਗ; ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ.

ਹਵਾਲਾ (ਫਾਰਮੈਟ 1): ZHANG HR, DONG Z, WANG M S. ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ [J] ਲਈ ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਪ੍ਰਸੰਗ-ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ। ZTE ਸੰਚਾਰ, 2023, 21(4): 17–28। DOI: 10.12142/ZTECOM.202304003
ਹਵਾਲਾ (ਫਾਰਮੈਟ 2): HR Zhang, Z. Dong, ਅਤੇ MS Wang, “ਸਪੇਟੀਓ-ਟੈਂਪੋਰਲ ਸੰਦਰਭ-ਗਾਈਡਿਡ ਐਲਗੋਰਿਦਮ ਫਾਰ ਲੋਸਲੈਸ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ,” ZTE ਕਮਿਊਨੀਕੇਸ਼ਨਜ਼, ਵੋਲ. 21, ਨੰ. 4, ਪੰਨਾ 17–28, ਦਸੰਬਰ 2023. doi: 10.12142/ZTECOM.202304003.

 

ਜਾਣ-ਪਛਾਣ

ਮਲਟੀ-ਪਲੇਟਫਾਰਮ ਅਤੇ ਮਲਟੀ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਐਕਵਾਇਰਿੰਗ ਸਾਜ਼ੋ-ਸਾਮਾਨ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਦੇ ਨਾਲ, ਲਾਈਟ ਡਿਟੈਕਸ਼ਨ ਅਤੇ ਰੇਂਜਿੰਗ (LiDAR) ਤਕਨਾਲੋਜੀ ਵਿਸ਼ਾਲ ਪੁਆਇੰਟ ਸੈੱਟਾਂ ਦੇ ਨਾਲ 3D ਵਸਤੂਆਂ ਜਾਂ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਨਕਲ ਕਰ ਸਕਦੀ ਹੈ। ਰਵਾਇਤੀ ਮਲਟੀਮੀਡੀਆ ਡੇਟਾ ਦੇ ਮੁਕਾਬਲੇ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਵਿੱਚ ਵਧੇਰੇ ਭੌਤਿਕ ਮਾਪ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ ਜੋ ਮੁਫਤ ਤੋਂ ਵਸਤੂਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ viewਬਿੰਦੂ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਗੁੰਝਲਦਾਰ ਟੌਪੋਲੋਜੀਕਲ ਢਾਂਚੇ ਵਾਲੇ ਦ੍ਰਿਸ਼। ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਜ਼ਬੂਤ ​​ਇੰਟਰਐਕਟਿਵ ਅਤੇ ਇਮਰਸਿਵ ਪ੍ਰਭਾਵ ਹੁੰਦੇ ਹਨ ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇੱਕ ਸਪਸ਼ਟ ਅਤੇ ਯਥਾਰਥਵਾਦੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਨੁਭਵ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਵਿੱਚ ਮਜਬੂਤ ਸ਼ੋਰ-ਵਿਰੋਧੀ ਸਮਰੱਥਾ ਅਤੇ ਸਮਾਨਾਂਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾ ਹੈ, ਜਿਸ ਨੇ ਉਦਯੋਗ ਅਤੇ ਅਕਾਦਮਿਕਤਾ ਤੋਂ ਖਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਪਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਐਪਲੀਕੇਸ਼ਨ ਡੋਮੇਨਾਂ ਜਿਵੇਂ ਕਿ ਸੱਭਿਆਚਾਰਕ ਵਿਰਾਸਤ ਲਈ।tagਈ ਰੱਖਿਆ, 3D ਇਮਰਸਿਵ ਟੈਲੀਪ੍ਰੇਜ਼ੈਂਸ ਅਤੇ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ[1-2]।
ਹਾਲਾਂਕਿ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਸਥਾਨਿਕ ਡੋਮੇਨਾਂ ਵਿੱਚ ਲੱਖਾਂ ਤੋਂ ਅਰਬਾਂ ਪੁਆਇੰਟ ਹੁੰਦੇ ਹਨ, ਸਟੋਰੇਜ ਸਪੇਸ ਸਮਰੱਥਾ ਅਤੇ ਨੈਟਵਰਕ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਬੈਂਡਵਿਡਥ ਲਈ ਬੋਝ ਅਤੇ ਚੁਣੌਤੀਆਂ ਲਿਆਉਂਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਮਨੋਰੰਜਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਇੱਕ ਆਮ ਗਤੀਸ਼ੀਲ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀ ਫ੍ਰੇਮ ਲਗਭਗ 30 ਲੱਖ ਪੁਆਇੰਟ ਹੁੰਦੇ ਹਨ, ਜੋ ਕਿ, 3.6 ਫਰੇਮ ਪ੍ਰਤੀ ਸਕਿੰਟ 'ਤੇ, 3 Gbit/s ਦੀ ਕੁੱਲ ਬੈਂਡਵਿਡਥ ਦੇ ਬਰਾਬਰ ਹੁੰਦਾ ਹੈ ਜੇਕਰ ਸੰਕੁਚਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ[XNUMX]। ਇਸ ਲਈ, ਪੁਆਇੰਟ ਕਲਾਉਡਾਂ ਲਈ ਉੱਚ-ਕੁਸ਼ਲਤਾ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ 'ਤੇ ਖੋਜ ਦਾ ਮਹੱਤਵਪੂਰਨ ਸਿਧਾਂਤਕ ਅਤੇ ਵਿਹਾਰਕ ਮੁੱਲ ਹੈ।
ਪੁਰਾਣੇ ਕੰਮ ਨੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਗਰਿੱਡ ਬਣਾ ਕੇ ਜਾਂ ਆਨ-ਡਿਮਾਂਡ ਡਾਊਨ-ਐਸ ਦੁਆਰਾ ਇਸ ਸਮੱਸਿਆ ਨਾਲ ਨਜਿੱਠਿਆampling, ਕੰਪਿਊਟਰ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਅਤੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕਲੈਕਸ਼ਨ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੀਮਾਵਾਂ ਦੇ ਕਾਰਨ, ਜਿਸਦੇ ਨਤੀਜੇ ਵਜੋਂ ਘੱਟ ਸਪੇਸਿਓ-ਟੈਂਪੋਰਲ ਕੰਪਰੈਸ਼ਨ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਜਿਓਮੈਟ੍ਰਿਕ ਗੁਣ ਵਿਸ਼ੇਸ਼ਤਾ ਜਾਣਕਾਰੀ ਦਾ ਨੁਕਸਾਨ ਹੋਇਆ ਹੈ। ਹਾਲੀਆ ਅਧਿਐਨਾਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਕੰਪਿਊਟਰ ਗ੍ਰਾਫਿਕਸ ਅਤੇ ਡਿਜੀਟਲ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਤਕਨੀਕਾਂ 'ਤੇ ਆਧਾਰਿਤ ਸਨ, ਜੋ ਕਿ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਲਈ ਬਲੌਕ ਓਪਰੇਸ਼ਨ ਔਨ-ਪੁਆਇੰਟ ਕਲਾਊਡ ਡਾਟਾ[4 5] ਜਾਂ ਸੰਯੁਕਤ ਵੀਡੀਓ ਕੋਡਿੰਗ ਤਕਨਾਲੋਜੀ[6 7] ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਸਨ। 2017 ਵਿੱਚ, ਮੂਵਿੰਗ ਪਿਕਚਰ ਐਕਸਪਰਟਸ ਗਰੁੱਪ (MPEG) ਨੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਲਈ ਪ੍ਰਸਤਾਵਾਂ ਦੀ ਮੰਗ ਕੀਤੀ ਅਤੇ ਇਸ ਕਿਸਮ ਦੇ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸੰਕੁਚਿਤ ਕਰਨਾ ਹੈ ਇਸ ਬਾਰੇ ਬਾਅਦ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ। ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਉਪਲਬਧ ਅਤੇ ਪੇਸ਼ ਕੀਤੇ ਜਾਣ ਦੇ ਵਧਦੇ ਪਹੁੰਚਾਂ ਦੇ ਨਾਲ, ਦੋ-ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਕੰਪਰੈਸ਼ਨ ਫਰੇਮਵਰਕ—TMC13 ਅਤੇ TMC2 2018 ਵਿੱਚ ਜਾਰੀ ਕੀਤੇ ਗਏ ਸਨ। ਉਪਰੋਕਤ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੀ ਕੰਪਰੈਸ਼ਨ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਕਮਾਲ ਦੀ ਤਰੱਕੀ ਕੀਤੀ ਗਈ ਹੈ। ਹਾਲਾਂਕਿ, ਪਹਿਲਾਂ ਦਾ ਕੰਮ ਜਿਆਦਾਤਰ ਬਿੰਦੂ ਕਲਾਉਡਾਂ ਦੇ ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਸਹਿ-ਸਬੰਧਾਂ ਨਾਲ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਨਜਿੱਠਦਾ ਸੀ ਪਰ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਪੂਰੀ ਸਮਰੱਥਾ ਦਾ ਅਜੇ ਤੱਕ ਸ਼ੋਸ਼ਣ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ।
ਉਪਰੋਕਤ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਇੱਕ ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਪ੍ਰਸੰਗ-ਨਿਰਦੇਸ਼ਿਤ ਵਿਧੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਪਹਿਲਾਂ ਪੁਆਇੰਟ ਕਲਾਊਡ ਨੂੰ ਮੁੱਖ ਧੁਰੇ ਦੇ ਨਾਲ ਇਕਾਈ ਲੇਅਰਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਾਂ। ਅਸੀਂ ਫਿਰ ਸਪੈਟੀਓਟੇਮਪੋਰਲ ਸਬੰਧ ਨੂੰ ਅਪਣਾ ਕੇ, ਇੱਕ ਯਾਤਰਾ ਸੇਲਜ਼ਮੈਨ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਮੋਡ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਹਾਂ। ਅੰਤ ਵਿੱਚ, ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਇੱਕ ਉਪਯੋਗੀ ਸੰਦਰਭ-ਅਨੁਕੂਲ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ ਨਾਲ ਬਿੱਟ-ਸਟ੍ਰੀਮ ਵਿੱਚ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ। ਸਾਡੇ ਮੁੱਖ ਯੋਗਦਾਨ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਹਨ।
1) ਅਸੀਂ ਡਿਜ਼ਾਇਨ ਕਰਦੇ ਹਾਂ- ਵਿਸਤ੍ਰਿਤ ਟ੍ਰੈਵਲਿੰਗ ਸੇਲਜ਼ਮੈਨ ਸਮੱਸਿਆ (TSP) ਦੁਆਰਾ, ਇੰਟਰਾ-ਫ੍ਰੇਮ ਅਤੇ ਇੰਟਰ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੋਵਾਂ 'ਤੇ ਲਾਗੂ ਹੋਣ ਵਾਲਾ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ। ਬਿੰਦੂ ਬੱਦਲਾਂ ਦੇ ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਰਿਡੰਡੈਂਸੀਜ਼ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ, ਜਿਓਮੈਟਰੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਸਥਾਨਿਕ ਸਬੰਧਾਂ ਦੀ ਬਿਹਤਰ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਲਈ ਕਈ ਕਿਸਮਾਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।
2) ਅਸੀਂ ਤੇਜ਼ ਕਨ-ਟੈਕਸਟ ਅੱਪਡੇਟ ਦੇ ਨਾਲ ਇੱਕ ਅਨੁਕੂਲ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਜੋ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਤੋਂ ਅਨੁਕੂਲ 3D ਸੰਦਰਭ ਚੁਣਦਾ ਹੈ, ਅਤੇ ਐਂਟਰੌਪੀ ਅਨੁਮਾਨ ਦੇ ਵਾਧੇ ਨੂੰ ਦਬਾ ਦਿੰਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਇਹ ਐਨਟ੍ਰੋਪੀ ਏਨਕੋਡਰਾਂ ਦੀ ਸੰਭਾਵਨਾ ਗਣਨਾ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਕੰਪਰਸ਼ਨ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ।
ਇਸ ਪੇਪਰ ਦਾ ਬਾਕੀ ਹਿੱਸਾ ਇਸ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਸੈਕਸ਼ਨ 2 ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ 'ਤੇ ਸੰਬੰਧਿਤ ਕੰਮ ਦੀ ਰੂਪਰੇਖਾ ਦਿੰਦਾ ਹੈ। ਸੈਕਸ਼ਨ 3 ਪਹਿਲਾਂ ਇੱਕ ਓਵਰ ਪੇਸ਼ ਕਰਦਾ ਹੈview ਪ੍ਰਸਤਾਵਿਤ ਢਾਂਚੇ ਦੇ. ਫਿਰ, ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਦਾ ਵਿਸਥਾਰ ਵਿੱਚ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ. ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਅਤੇ ਸਿੱਟੇ ਕ੍ਰਮਵਾਰ ਸੈਕਸ਼ਨ 4 ਅਤੇ 5 ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ।

ਸੰਬੰਧਿਤ ਕੰਮ

ਸਾਹਿਤ ਵਿੱਚ ਕਈ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤੇ ਗਏ ਹਨ। CAO et al. [8] ਅਤੇ GRAZIOSI et al. [9] ਕ੍ਰਮਵਾਰ ਸਥਾਨਿਕ ਆਯਾਮ ਕੰਪਰੈਸ਼ਨ ਤਕਨਾਲੋਜੀ ਅਤੇ MPEG ਮਾਨਕੀਕਰਨ ਫਰੇਮਵਰਕ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹੋਏ, ਮੌਜੂਦਾ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਤਰੀਕਿਆਂ ਦੀ ਜਾਂਚ ਅਤੇ ਸੰਖੇਪ ਦਾ ਸੰਚਾਲਨ ਕਰੋ। ਅਸੀਂ ਇੱਕ ਸੰਖੇਪ ਮੁੜ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂview ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਹਾਲ ਹੀ ਦੇ ਵਿਕਾਸ ਦੇ: ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਅਤੇ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ।

1. ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ
   ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਸਰਵੇਖਣਾਂ, ਸੱਭਿਆਚਾਰਕ ਹੈਰੀ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨtage ਰੱਖਿਆ, ਭੂਗੋਲਿਕ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ, ਅਤੇ ਹੋਰ ਦ੍ਰਿਸ਼। ਔਕਟਰੀ ਪੁਆਇੰਟ ਕਲਾਉਡਸ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡਾਟਾ ਢਾਂਚਾ ਹੈ, ਜਿਸ ਨੂੰ ਕਬਜ਼ੇ ਵਾਲੇ ਨੋਡਾਂ ਰਾਹੀਂ ਜਾਣਕਾਰੀ ਰਿਕਾਰਡ ਕਰਕੇ ਸੰਕੁਚਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹੁਆਂਗ ਐਟ ਅਲ।[10] ਇੱਕ octree-ਅਧਾਰਿਤ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ ਜੋ ਹਰ ਇਕਾਈ ਦੇ ਜਿਓਮੈਟ੍ਰਿਕ ਕੇਂਦਰ ਦੁਆਰਾ ਦਰਸਾਈਆਂ ਗਈਆਂ ਸਥਿਤੀਆਂ ਦੇ ਨਾਲ ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਨੋਡਾਂ ਵਿੱਚ ਮੁੜ-ਵੰਡਦਾ ਹੈ। ਫੈਨ ਐਟ ਅਲ [11] ਵਿਸਤਾਰ ਦੇ ਪੱਧਰ (LOD) ਲੜੀ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਕਲੱਸਟਰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਕੇ ਅਤੇ ਇਸ ਨੂੰ ਚੌੜਾਈ-ਪਹਿਲੇ ਕ੍ਰਮ ਵਿੱਚ ਏਨਕੋਡਿੰਗ ਕਰਕੇ ਇਸ ਵਿਧੀ ਨੂੰ ਹੋਰ ਸੁਧਾਰੋ। ਹਾਲਾਂਕਿ, ਇਹ ਵਿਧੀਆਂ ਦੁਹਰਾਓ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ ਅਸਲ ਮਾਡਲ ਦੇ ਲਗਭਗ ਹੋਣ ਕਾਰਨ ਵਿਗਾੜ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀਆਂ ਹਨ।
   ਇਹਨਾਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨ ਲਈ, ਵਿਦਵਾਨਾਂ ਨੇ ਅੰਤਰ-ਪਰਤ ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਬਕਾਇਆ ਗਣਨਾ ਲਈ ਜਿਓਮੈਟ੍ਰਿਕ ਬਣਤਰ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪੇਸ਼ ਕੀਤੀਆਂ ਹਨ, ਜਿਵੇਂ- ਤਿਕੋਣੀ ਸਤਹ ਮਾਡਲ[12], ਪਲਾਨਰ ਸਤਹ ਮਾਡਲ[13 14], ਅਤੇ ਕਲੱਸਟਰਿੰਗ ਅਲ-ਗੋਰਿਦਮ[15]। . RENTE et al[16] ਪ੍ਰਗਤੀਸ਼ੀਲ ਲੇਅਰਡ ਕੰਪਰੈਸ਼ਨ ਦਾ ਇੱਕ ਸੰਕਲਪ ਪ੍ਰਸਤਾਵਿਤ ਕਰੋ ਜੋ ਪਹਿਲਾਂ ਮੋਟੇ-ਦਾਣੇ ਵਾਲੇ ਏਨਕੋਡਿੰਗ ਲਈ ਔਕਟਰੀ ਬਣਤਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਫਿਰ ਕਲਾਉਡ ਵੇਰਵਿਆਂ ਦੇ ਸੰਕੁਚਨ ਅਤੇ ਪੁਨਰ ਨਿਰਮਾਣ ਲਈ ਗ੍ਰਾਫ ਫੋਰਿਅਰ ਟ੍ਰਾਂਸਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। 2019 ਵਿੱਚ, MPEG ਨੇ ਸਥਿਰ ਅਤੇ ਗਤੀਸ਼ੀਲ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੋਵਾਂ ਲਈ ਜਿਓਮੈਟਰੀ-ਅਧਾਰਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ (G-PCC) ਤਕਨਾਲੋਜੀ ਜਾਰੀ ਕੀਤੀ, ਜੋ ਕਿ ਕੋਆਰਡੀਨੇਟ ਟ੍ਰਾਂਸਫਾਰਮੇਸ਼ਨ, ਵੌਕਸਲਾਈਜ਼ੇਸ਼ਨ, ਜਿਓਮੈਟ੍ਰਿਕ ਬਣਤਰ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਕਦਮ ਦਰ ਕਦਮ [17] ਦੁਆਰਾ ਲਾਗੂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
   ਕਿਉਂਕਿ ਇੱਕ ਔਕਟ੍ਰੀ ਦੇ ਅੰਦਰ ਕੁਝ ਔਕਟੈਂਟ ਬਹੁਤ ਘੱਟ ਆਬਾਦੀ ਵਾਲੇ ਜਾਂ ਖਾਲੀ ਵੀ ਹੋ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਉਪ-ਨੋਡਾਂ ਨੂੰ ਛਾਂਟ ਕੇ ਰੁੱਖ ਦੇ ਢਾਂਚੇ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਕੁਝ ਢੰਗਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਇਸਲਈ ਮੈਮੋਰੀ ਵੰਡ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਗਿਆ ਹੈ। ਸਾਬਕਾ ਲਈample, DRICOT et al. [18] ਸਪਾਰਸਿਟੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਪੂਰਵ ਪਰਿਭਾਸ਼ਿਤ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਔਕਟਰੀ ਭਾਗ ਨੂੰ ਖਤਮ ਕਰਨ ਲਈ ਇੱਕ ਅਨੁਮਾਨਿਤ ਡਾਇਰੈਕਟ ਕੋਡਿੰਗ ਮੋਡ (ਆਈਡੀਸੀਐਮ) ਪ੍ਰਸਤਾਵਿਤ ਕਰੋ, ਜਿਸ ਵਿੱਚ ਚਾਈਲਡ ਨੋਡਾਂ ਨੂੰ ਅਲਾਟ ਕੀਤੇ ਬਿੱਟਾਂ ਨੂੰ ਬਚਾਉਣ ਲਈ ਔਕਟਰੀ ਢਾਂਚੇ ਨੂੰ ਛਾਂਟਣਾ ਸ਼ਾਮਲ ਹੈ। ZHANG et al. [19] ਮੁੱਖ ਭਾਗਾਂ ਦੇ ਨਾਲ ਬਿੰਦੂ ਕਲਾਉਡ ਸਪੇਸ ਨੂੰ ਉਪ-ਵਿਭਾਜਿਤ ਕਰਨ ਅਤੇ ਬਾਈਨਰੀ ਟ੍ਰੀ, ਕਵਾਡਟਰੀ ਅਤੇ ਓਕਟਰੀ ਤੋਂ ਭਾਗ ਵਿਧੀ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਰਵਾਇਤੀ ਔਕਟਰੀ ਵਿਭਾਗੀਕਰਨ ਦੇ ਮੁਕਾਬਲੇ, ਉੱਪਰ ਦੱਸੇ ਗਏ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਸਪਾਰਸ ਪੁਆਇੰਟਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਬਿੱਟਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਘਟਾ ਸਕਦੇ ਹਨ, ਇਸਲਈ ਨੋਡਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਸਥਿਤੀਆਂ ਅਤੇ ਮੋਡ ਨਿਰਧਾਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਸਵੈ-ਅਨੁਕੂਲਤਾ ਅਤੇ ਘੱਟ ਜਟਿਲਤਾ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ।
   ਚਿੱਤਰ ਅਤੇ ਵੀਡੀਓ ਕੰਪਰੈਸ਼ਨ ਵਿੱਚ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦੇ ਨਾਲ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਕੰਪਰੈਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ ਸੁਪਰ ਪੁਰਾਣੇ ਮਾਰਗਦਰਸ਼ਨ ਅਤੇ ਲੁਕਵੇਂ ਸਪੇਸ ਸਮੀਕਰਨ ਦੀ ਰਿਡੰਡੈਂਸੀ ਦਾ ਲਾਭ ਲੈ ਕੇ ਬਿੱਟ ਰੇਟਾਂ ਨੂੰ ਹੋਰ ਘਟਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਖੋਜ ਕੀਤੀ ਹੈ। QUACH et al[20] ਅਤੇ ਹੁਆਂਗ ਐਟ ਅਲ।[21] ਇਹਨਾਂ ਸੰਕਲਪਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਤਰੀਕਿਆਂ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ। GUARDA et al. ਨੇੜੇ ਦੇ ਬਿੰਦੂਆਂ ਦੇ ਵਿਚਕਾਰ ਰਿਡੰਡੈਂਸੀ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਨ ਅਤੇ ਰੈਫ ਵਿੱਚ ਕੋਡਿੰਗ ਅਨੁਕੂਲਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਅਤੇ ਆਟੋਏਨਕੋਡਰਾਂ ਨੂੰ ਜੋੜੋ। [22]। ਹਾਲ ਹੀ ਵਿੱਚ, ਵੈਂਗ ਐਟ ਅਲ. [23] ਪਰਿਵਰਤਨਸ਼ੀਲ ਆਟੋ-ਏਨਕੋਡਰ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ, ਜੋ ਹਾਈਪਰਪ੍ਰਾਇਰ ਨੂੰ ਸਿੱਖਣ ਅਤੇ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਦੀ ਮੈਮੋਰੀ ਖਪਤ ਨੂੰ ਘਟਾ ਕੇ ਕੰਪਰੈਸ਼ਨ ਅਨੁਪਾਤ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ। ਉਪਰੋਕਤ ਵਿਧੀਆਂ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੇ ਉੱਚ-ਕ੍ਰਮ ਦੇ ਲੁਕਵੇਂ ਵੈਕਟਰ, ਐਂਟ੍ਰੋਪੀ ਮਾਡਲ ਸੰਭਾਵਨਾਵਾਂ, ਅਤੇ ਕਿਨਾਰੇ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਲਈ ਨਿਊਰਲ ਨੈਟਵਰਕ ਏਨਕੋਡਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ, ਜੋ ਕਿ ਬਿਹਤਰ ਫਿੱਟ ਹੁੰਦੀਆਂ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਦੀ ਮੈਮੋਰੀ ਖਪਤ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟ੍ਰਿਕ ਕੰਪਰੈਸ਼ਨ 'ਤੇ ਖੋਜ ਮੁਕਾਬਲਤਨ ਪਰਿਪੱਕ ਹੈ, ਪਰ ਦੋ ਚੁਣੌਤੀਆਂ ਅਜੇ ਵੀ ਬਾਕੀ ਹਨ। ਸਥਾਨਿਕ ਸਬੰਧਾਂ ਦੀ ਪ੍ਰਭਾਵੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ, ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਵਿਧੀਆਂ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਦੇ ਸਬੰਧ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਕੋਡ ਨਹੀਂ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਐਂਟਰੌਪੀ ਕੋਡਿੰਗ ਲਈ ਸੰਭਾਵਨਾ ਮਾਡਲ ਦੀ ਗਣਨਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਦਰਭਾਂ ਦੇ ਕਾਰਨ ਲੰਮੀ ਅਤੇ ਔਖੀ ਜਾਪਦੀ ਹੈ।
2. ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ
   ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਆਮ ਤੌਰ 'ਤੇ ਰੀਅਲ-ਟਾਈਮ 3D ਇਮਰਸਿਵ ਟੈਲੀਪ੍ਰੇਸੈਂਸ, ਇੰਟਰਐਕਟਿਵ VR, 3D ਫਰੀ ਵਰਗੇ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ viewਪੁਆਇੰਟ ਪ੍ਰਸਾਰਣ ਅਤੇ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ. ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਦੇ ਉਲਟ, ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਸਮੇਂ ਦੇ ਸਬੰਧਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਮੋਸ਼ਨ ਅਨੁਮਾਨ ਅਤੇ ਮੁਆਵਜ਼ੇ ਦੀ ਵਰਤੋਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ। ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਲਈ ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ: 2D ਪ੍ਰੋਜੈਕਸ਼ਨ ਅਤੇ 3D ਸਜਾਵਟ।
   ਚਿੱਤਰ ਅਤੇ ਵੀਡੀਓ ਕੰਪਰੈਸ਼ਨ ਦਾ ਖੇਤਰ ਵਿਆਪਕ ਹੈ ਅਤੇ ਪਿਛਲੇ ਕੁਝ ਦਹਾਕਿਆਂ ਤੋਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਖੋਜਿਆ ਗਿਆ ਹੈ। ਵੱਖ-ਵੱਖ ਐਲਗੋਰਿਦਮ ਪੁਆਇੰਟ ਕਲਾਉਡਾਂ ਨੂੰ ਚਿੱਤਰਾਂ ਵਿੱਚ ਬਦਲਦੇ ਹਨ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਸਿੱਧੇ FFmpeg ਅਤੇ H. 265 ਏਨਕੋਡਰਾਂ, ਆਦਿ ਦੁਆਰਾ ਸੰਕੁਚਿਤ ਕਰਦੇ ਹਨ। AINALA et al[24] ਇੱਕ ਪਲੈਨਰ ​​ਪ੍ਰੋਜੇਕਸ਼ਨ ਅਨੁਮਾਨਿਤ ਐਨ-ਕੋਡਿੰਗ ਮੋਡ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਜਹਾਜ਼ ਉੱਤੇ ਰਾਸਟਰ ਸਕੈਨਿੰਗ ਦੁਆਰਾ ਜਿਓਮੈਟਰੀ ਅਤੇ ਰੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੋਵਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦਾ ਹੈ। . ਹਾਲਾਂਕਿ, ਇਹ ਵਿਧੀ ਮੈਪਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ ਨਿਸ਼ਾਨਾ ਆਕਾਰ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਸਹੀ ਅੰਤਰ-ਪੂਰਵ ਅਨੁਮਾਨ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਸ ਲਈ, SCHWARZ et al. [25] ਅਤੇ SEVOM et al। [26] ਕ੍ਰਮਵਾਰ ਪੁਆਇੰਟ ਕਲਾਉਡਸ ਨੂੰ 2D ਵੀਡੀਓ ਵਿੱਚ ਬਦਲਣ ਲਈ ਰੋਟੇਟਿਡ ਪਲੈਨਰ ​​ਪ੍ਰੋਜੇਕਸ਼ਨ, ਕਿਊਬ ਪ੍ਰੋਜੇਕਸ਼ਨ, ਅਤੇ ਪੈਚ-ਅਧਾਰਿਤ ਪ੍ਰੋਜੈਕਸ਼ਨ ਵਿਧੀਆਂ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਨਾਲ ਲੱਗਦੇ ਚਿੱਤਰਾਂ ਵਿੱਚ ਉਸੇ ਸਥਾਨ 'ਤੇ ਨੇੜੇ ਦੇ ਫਰੇਮਾਂ ਵਿੱਚ ਸਮਾਨ ਅਨੁਮਾਨਾਂ ਨੂੰ ਰੱਖ ਕੇ, ਵੀਡੀਓ ਕੰਪ੍ਰੈਸਰ ਅਸਥਾਈ ਸਬੰਧਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹਟਾ ਸਕਦਾ ਹੈ। ਸੰਦਰਭ ਵਿੱਚ. [27], ਅੰਤਰ-ਜੀਓਮੈਟਰੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਟੀਐਸਪੀ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਨਜ਼ਦੀਕੀ ਔਸਤ ਮੁੱਲ ਦੇ ਨਾਲ ਬਲਾਕ ਦੀ ਖੋਜ ਕਰਕੇ ਨੇੜੇ ਦੇ ਅੰਤਰ-ਬਲਾਕ ਦੇ ਇੱਕ-ਤੋਂ-ਇੱਕ ਪੱਤਰ-ਵਿਹਾਰ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। MPEG ਨੇ 2019[28] ਵਿੱਚ ਡਾਇਨਾਮਿਕ ਪੁਆਇੰਟ ਕਲਾਊਡ ਲਈ ਵੀਡੀਓ-ਅਧਾਰਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ (V-PCC) ਤਕਨਾਲੋਜੀ ਜਾਰੀ ਕੀਤੀ। ਇਹ ਫਰੇਮਵਰਕ ਇਨਪੁਟ ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਸਮਾਨ ਸਾਧਾਰਨ ਵੈਕਟਰਾਂ ਅਤੇ ਨਿਰੰਤਰ ਸਪੇਸ ਵਾਲੇ ਛੋਟੇ ਬਲਾਕਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ, ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਕਿਊਬਸ ਦੁਆਰਾ ਪਲੈਨਰ ​​ਸਤਹ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਤਾਂ ਜੋ ਓਕਯੂਪੈਂਸੀ ਚਿੱਤਰ ਅਤੇ ਸਹਾਇਕ ਜਾਣਕਾਰੀ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤਾ ਜਾ ਸਕੇ। ਸਾਰੇ ਨਤੀਜੇ ਵਾਲੇ ਚਿੱਤਰਾਂ ਨੂੰ ਪਰਿਪੱਕ ਵੀਡੀਓ ਕੋਡੈਕਸ ਦੁਆਰਾ ਸੰਕੁਚਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸਾਰੀਆਂ ਬਿੱਟਸਟ੍ਰੀਮਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਆਉਟਪੁੱਟ ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ file. ਇਹਨਾਂ ਤਰੀਕਿਆਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਹੋਰ ਕੋਸ਼ਿਸ਼ਾਂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਕੋਸਟਾ ਐਟ ਅਲ [29] ਪੈਕੇਜਿੰਗ ਐਲਗੋਰਿਦਮ, ਡੇਟਾ ਪੈਕੇਜਿੰਗ ਲਿੰਕਸ, ਸੰਬੰਧਿਤ ਲੜੀਬੱਧ, ਅਤੇ ਸਥਿਤੀ ਸੂਚਕਾਂ ਲਈ ਅਨੁਕੂਲਤਾ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਕਈ ਨਵੀਆਂ ਪੈਚ ਪੈਕੇਜਿੰਗ ਰਣਨੀਤੀਆਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰੋ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪਾਰਕ ਐਟ ਅਲ. [30] ਇੱਕ ਡੇਟਾ-ਅਡੈਪਟਿਵ ਪੈਕਿੰਗ ਵਿਧੀ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰੋ ਜੋ V-PCC ਸਟ੍ਰੀਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤੇ ਬਿਨਾਂ ਢਾਂਚਾਗਤ ਸਮਾਨਤਾ ਦੇ ਅਨੁਸਾਰ ਅਨੁਕੂਲਤਾ ਨਾਲ ਨਾਲ ਲੱਗਦੇ ਫਰੇਮਾਂ ਨੂੰ ਉਸੇ ਸਮੂਹ ਵਿੱਚ ਸਮੂਹ ਕਰਦਾ ਹੈ। ਪੁਆਇੰਟ ਕਲਾਉਡ ਪ੍ਰੋਜੇਕਸ਼ਨ ਦੇ ਕਾਰਨ ਅਟੱਲ ਜਾਣਕਾਰੀ ਦੇ ਨੁਕਸਾਨ ਦੇ ਕਾਰਨ, ਵਿਦਵਾਨਾਂ ਨੇ 3D ਸਪੇਸ ਦੇ ਅਧਾਰ ਤੇ ਮੋਸ਼ਨ ਮੁਆਵਜ਼ਾ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਲਗਾਤਾਰ ਫਰੇਮਾਂ ਦੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕ੍ਰਮ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਕਨੀਕਾਂ ਵਿਕਸਿਤ ਕੀਤੀਆਂ ਹਨ। ਕੇਮਰਲ ਐਟ ਅਲ [31] ਇੱਕ ਔਕਟਰੀ-ਅਧਾਰਤ ਜਿਓਮੈਟ੍ਰਿਕ ਏਨਕੋਡਿੰਗ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ, ਜੋ ਕਿ ਨਾਲ ਲੱਗਦੇ ਫਰੇਮਾਂ ਦੇ ਵਿਚਕਾਰ ਵਿਸ਼ੇਸ਼ OR (XOR) ਅੰਤਰਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਕੇ ਉੱਚ ਸੰਕੁਚਨ ਕੁਸ਼ਲਤਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਸ ਵਿਧੀ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਪ੍ਰਸਿੱਧ ਪੁਆਇੰਟ ਕਲਾਊਡ ਲਾਇਬ੍ਰੇਰੀ (ਪੀਸੀਐਲ) [32] ਵਿੱਚ ਅਪਣਾਇਆ ਗਿਆ ਹੈ, ਸਗੋਂ ਅੱਗੇ ਐਲਗੋਰਿਦਮ ਖੋਜ ਲਈ ਵੀ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਗਿਆ ਹੈ। ਹੋਰ ਇੰਟਰਫ੍ਰੇਮ ਪਹੁੰਚ 3D ਮੋਸ਼ਨ ਅਨੁਮਾਨ ਸਮੱਸਿਆ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਸਮੱਸਿਆ [33] ਵਿੱਚ ਬਦਲਦੀਆਂ ਹਨ ਜਾਂ ਮੋਸ਼ਨ ਵੈਕਟਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਅਤੇ ਨਾਲ ਲੱਗਦੇ ਫਰੇਮਾਂ ਵਿਚਕਾਰ ਸੰਬੰਧਿਤ ਸਬੰਧਾਂ ਦੀ ਸਹੀ ਪਛਾਣ ਕਰਨ ਲਈ ਪੁਨਰਗਠਿਤ ਜਿਓਮੈਟ੍ਰਿਕ ਜਾਣਕਾਰੀ [34] ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ। ਹਾਲੀਆ ਵਿਸਫੋਟਕ ਅਧਿਐਨਾਂ[35 36] ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਸਿੱਖੀ ਗਈ ਵਿਡੀਓ ਕੰਪਰੈਸ਼ਨ ਰਵਾਇਤੀ ਲੋਕਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਰੇਟ-ਡਿਸਟੋਰਸ਼ਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸੰਦਰਭ ਮਹੱਤਵ ਲਿਆਉਂਦੀ ਹੈ। ZHAO et al[37] ਅੰਤਰ-ਫਰੇਮ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਰਨ ਅਤੇ ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਮਾਪਾਂ ਵਿੱਚ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਭਾਵੀ ਉਪਯੋਗਤਾ ਲਿਆਉਣ ਲਈ ਇੱਕ ਦੋ-ਦਿਸ਼ਾਵੀ ਅੰਤਰ-ਫ੍ਰੇਮ ਪੂਰਵ ਅਨੁਮਾਨ ਨੈੱਟਵਰਕ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰੋ। KAYA et al. [38] ਸੰਘਣੇ ਬਿੰਦੂ ਕਲਾਉਡ ਕ੍ਰਮਾਂ ਦੀਆਂ ਜਿਓਮੈਟ੍ਰਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਏਨਕੋਡਿੰਗ ਕਰਨ ਲਈ ਇੱਕ ਨਵਾਂ ਪੈਰਾਡਾਈਮ ਡਿਜ਼ਾਈਨ ਕਰੋ, ਸੰਘਣੇ ਬਿੰਦੂ ਬੱਦਲਾਂ ਦੇ ਨੁਕਸਾਨ ਰਹਿਤ ਸੰਕੁਚਨ ਨੂੰ ਮਹਿਸੂਸ ਕਰਨ ਲਈ ਏਨਕੋਡਿੰਗ ਵੰਡ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਸੀਐਨਐਨ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ।
   ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਮਾਡਲਾਂ ਦੀ ਕੰਪਰੈਸ਼ਨ ਕੋਡਿੰਗ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਤਰੱਕੀ ਦੇ ਬਾਵਜੂਦ, ਦੋ ਸਮੱਸਿਆਵਾਂ ਬਰਕਰਾਰ ਹਨ। ਮੌਜੂਦਾ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਪਹੁੰਚ ਮੁੱਖ ਤੌਰ 'ਤੇ ਵੀਡੀਓ ਕੋਡਿੰਗ ਅਤੇ ਮੋਸ਼ਨ ਮੁਆਵਜ਼ੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਮੈਪਿੰਗ ਅਤੇ ਬਲਾਕ ਕਿਨਾਰੇ ਦੀ ਰੁਕਾਵਟ ਦੇ ਕਾਰਨ ਜਾਣਕਾਰੀ ਦਾ ਨੁਕਸਾਨ ਜਾਂ ਵਿਗਾੜ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅੰਤਰ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਦੀ ਅਸੰਗਤਤਾ ਦੇ ਕਾਰਨ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੀ ਕੋਡਿੰਗ ਘੱਟ ਪ੍ਰਯੋਗਯੋਗਤਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ। ਫਰੇਮਾਂ ਅਤੇ ਅਟੱਲ ਸ਼ੋਰ ਦੇ ਵਿਚਕਾਰ ਬਿੰਦੂਆਂ ਦਾ ਸਪੱਸ਼ਟ ਆਫਸੈੱਟ ਅੰਤਰ-ਫ੍ਰੇਮ ਕੰਪਰੈਸ਼ਨ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਕੋਡਿੰਗ ਦੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤੋਂ ਕਰਨ ਦੀ ਮੁਸ਼ਕਲ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।

ਪ੍ਰਸਤਾਵਿਤ ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਕੰਟੈਕਸਟ-ਗਾਈਡਡ ਲੋਸਲੈੱਸ ਜਿਓਮੈਟਰੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਵਿਧੀ

ਵੱਧview
ਸਾਡੇ ਸਪੇਟੋ-ਟੈਂਪੋਰਲ ਸੰਦਰਭ-ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ ਦੀ ਸਮੁੱਚੀ ਪਾਈਪਲਾਈਨ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਈ ਗਈ ਹੈ। ਪਹਿਲਾਂ, ਅਸੀਂ ਵੌਕਸਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਸਕੇਲ ਪਰਿਵਰਤਨ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਇਨਪੁਟ ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਪ੍ਰੀਪ੍ਰੋਸੈੱਸ ਕਰਦੇ ਹਾਂ। ਫਿਰ, ਪੁਆਇੰਟ ਕਲਾਊਡ ਨੂੰ ਮੁੱਖ ਧੁਰੇ ਦੇ ਨਾਲ-ਨਾਲ ਇਕਾਈ-ਮੋਟਾਈ ਕੱਟੀਆਂ ਪਰਤਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਅਗਲਾ, ਅਸੀਂ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਹਾਂ ਜੋ ਅੰਤਰ-ਫ੍ਰੇਮ ਅਤੇ ਅੰਤਰ-ਫ੍ਰੇਮ ਦੋਵਾਂ ਦੇ ਅੰਦਰ ਅਸਥਾਈ ਅਤੇ ਸਥਾਨਿਕ ਸਬੰਧਾਂ ਦੀ ਜਾਣਕਾਰੀ ਦੀ ਪੂਰੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਸਫ਼ਰੀ ਸੇਲਜ਼ਮੈਨ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਸੰਦਰਭ ਲੇਅਰਾਂ (ਆਰ-ਲੇਅਰਾਂ) ਦੇ ਪੁਆਇੰਟਾਂ ਦੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਆਰ-ਲੇਅਰਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਫਿਰ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਬਾਕੀ ਦੇ ਬਿੰਦੂ ਬੱਦਲਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਰਥਾਤ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਪਰਤਾਂ (ਪੀ-ਲੇਅਰਜ਼) ). ਅੰਤ ਵਿੱਚ, ਸੰਕੁਚਿਤ ਬਾਈਨਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸੁਧਾਰੇ ਹੋਏ ਐਂਟਰੌਪੀ ਕੋਡਿੰਗ ਐਲਗੋਰਿਦਮ ਨੂੰ ਅਪਣਾਇਆ ਜਾਂਦਾ ਹੈ file.

ਚਿੱਤਰ ਕੱਟਿਆ-ਆਧਾਰਿਤ ਲੜੀਵਾਰ ਡਿਵੀਜ਼ਨ

1. ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ
   ਪੂਰਵ-ਪ੍ਰੋਸੈਸਿੰਗ ਮੋਡੀਊਲ ਵਿੱਚ ਹਰੇਕ ਨਿਸ਼ਚਿਤ ਬਿੰਦੂ ਦੀ ਬਿਹਤਰ ਇੰਡੈਕਸਿੰਗ ਲਈ ਵੌਕਸਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਸਕੇਲ ਪਰਿਵਰਤਨ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਵੌਕਸਲਾਈਜ਼ੇਸ਼ਨ ਵਿੱਚ, ਅਸੀਂ ਸਪੇਸ ਨੂੰ N ਆਕਾਰ ਦੇ ਕਿਊਬ ਵਿੱਚ ਵੰਡਦੇ ਹਾਂ, ਜੋ ਕਿ ਬਿੰਦੂ ਕਲਾਊਡ ਦੇ ਅਸਲ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਹਰੇਕ ਬਿੰਦੂ ਨੂੰ ਇਸਦੀ ਸਥਿਤੀ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵਿਲੱਖਣ ਵੌਕਸਲ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਵੌਕਸੇਲ ਨੂੰ 1 ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਜ ਕੀਤਾ ਗਿਆ ਹੈ; ਜੇਕਰ ਇਹ ਸਕਾਰਾਤਮਕ ਤੌਰ 'ਤੇ ਕਬਜ਼ੇ ਵਿੱਚ ਹੈ, ਤਾਂ ਇਹ 0 ਹੈ ਨਹੀਂ ਤਾਂ. ਸਕੇਲ ਪਰਿਵਰਤਨ ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਜ਼ੂਮ ਆਉਟ ਕਰਕੇ ਬਿਹਤਰ ਕੰਪਰੈਸ਼ਨ ਲਈ ਸਪਰਸਿਟੀ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਬਿੰਦੂਆਂ ਵਿਚਕਾਰ ਦੂਰੀ ਘੱਟ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇੱਕ ਸਕੇਲਿੰਗ ਫੈਕਟਰ s ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਿੰਦੂ ਕਲਾਉਡ ਕੋਆਰਡੀਨੇਟਸ (x, y, z) ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਹਾਂ, ਭਾਵ,
   ਨੁਕਸਾਨ ਰਹਿਤ ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਸਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਸਕੇਲਿੰਗ ਫੈਕਟਰ s ਜਿਓਮੈਟਰੀ ਦਾ ਨੁਕਸਾਨ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸਿਰਲੇਖ ਵਿੱਚ ਮੁੜ-ਕਾਰਡ ਕੀਤੇ ਜਾਣ ਦੀ ਲੋੜ ਹੈ। file.
2. ਕੱਟੀ-ਪਰਤ ਵੰਡ
   ਇਹ ਮੋਡੀਊਲ 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਇਸਦੇ ਇੱਕ ਧੁਰੇ ਦੇ ਨਾਲ ਵੰਡ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਕਈ ਇਕਾਈ-ਕੱਟੇ ਹੋਏ ਲੇਅਰਾਂ ਨੂੰ ਸਿਰਫ਼ ਕਬਜ਼ੇ ਵਾਲੀ ਅਤੇ ਗੈਰ-ਕਬਜੇ ਵਾਲੀ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਕਿ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਏਨਕੋਡਰ ਅਤੇ ਇੱਕ ਅੰਕਗਣਿਤ ਕੋਡਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੋਰ ਸੰਕੁਚਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਫੰਕਸ਼ਨ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ:
   ਜਿੱਥੇ G ਇਨਪੁਟ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੋਆਰਡੀਨੇਟ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਧੁਰਾ ਚੁਣੇ ਹੋਏ ਆਯਾਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ S (a, b) ਹਰੇਕ ਲੇਅਰ ਦੁਆਰਾ ਕੱਢਿਆ ਗਿਆ 2D ਸਲਾਈਸ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਬਹੁਤ ਸਾਰੇ ਟੈਸਟ ਕ੍ਰਮਾਂ 'ਤੇ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਨਤੀਜੇ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਬਿੰਦੂ ਕਲਾਉਡ ਸਥਾਨਿਕ ਪਰਿਵਰਤਨ ਦੇ ਸਭ ਤੋਂ ਲੰਬੇ ਧੁਰੇ ਦੇ ਨਾਲ ਵੰਡਣ ਨਾਲ ਸਭ ਤੋਂ ਘੱਟ ਬਿੱਟਰੇਟ ਮਿਲਦਾ ਹੈ, ਭਾਵ
3. ਘੱਟੋ-ਘੱਟ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਕੱਢਣਾ
   ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਔਨ-ਕਬਜੇ ਵਾਲੇ ਵੌਕਸੇਲ ਆਮ ਤੌਰ 'ਤੇ ਅਟੱਲ ਹੁੰਦੇ ਹਨ ਅਤੇ ਕਬਜ਼ੇ ਵਾਲੇ ਵੌਕਸੇਲ ਦੀ ਗਿਣਤੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੁੰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਦੋਨਾਂ ਕਿਸਮਾਂ ਦੇ ਵੌਕਸਲਾਂ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਏਨਕੋਡਿੰਗ ਇੱਕੋ ਸਮੇਂ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਗੁੰਝਲਤਾ ਅਤੇ ਏਨਕੋਡਿੰਗ ਸਪੀਡ 'ਤੇ ਬੋਝ ਪਾਉਂਦੀ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਹਰੇਕ ਕੱਟੇ ਹੋਏ ਲੇਅਰ ਲਈ ਘੱਟੋ-ਘੱਟ ਬਾਉਂਡਿੰਗ ਬਾਕਸ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਓਰੀਐਂਟਿਡ ਬਾਉਂਡਿੰਗ ਬਾਕਸ (OBB) [39] ਨੂੰ ਅਪਣਾਉਂਦੇ ਹਾਂ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦੀਆਂ ਦਿਸ਼ਾਵਾਂ ਲੇਅਰਾਂ ਦੇ ਵਿਚਕਾਰ ਇਕਸਾਰ ਹੋਣ। ਬਾਅਦ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ, ਸਿਰਫ ਪ੍ਰਤਿਬੰਧਿਤ ਆਇਤ ਦੇ ਅੰਦਰ ਸਥਿਤ ਵੌਕਸਲਾਂ ਨੂੰ ਸੰਕੁਚਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਥਾਨਿਕ ਸੰਦਰਭ-ਗਾਈਡਿਡ ਪ੍ਰੈਡੀਕਟਿਵ ਏਨਕੋਡਿੰਗ

ਸਥਾਨਿਕ ਸੰਦਰਭ-ਨਿਰਦੇਸ਼ਿਤ ਭਵਿੱਖਬਾਣੀ ਐਨਕੋਡਿੰਗ ਦਾ ਟੀਚਾ ਸਾਰੇ ਬਿੰਦੂਆਂ ਦੀ ਪਰਤ ਨੂੰ ਪਰਤ ਦੁਆਰਾ ਏਨਕੋਡ ਕਰਨਾ ਹੈ। TSP ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ, ਅਸੀਂ ਹਰੇਕ ਕੱਟੀ ਹੋਈ ਪਰਤ ਦੇ ਅੰਦਰ ਸੰਭਾਵੀ ਆਦੇਸ਼ਾਂ ਅਤੇ ਸਬੰਧਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਲਈ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਤਿਆਰ ਕਰਦੇ ਹਾਂ। ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਭਾਗ ਅਤੇ ਸਭ ਤੋਂ ਛੋਟਾ ਮਾਰਗ ਗਣਨਾ ਸ਼ਾਮਲ ਹੈ।
ਪਹਿਲਾਂ, ਅਸੀਂ ਕੱਟੀਆਂ ਪਰਤਾਂ ਨੂੰ ਵੰਡਦੇ ਹਾਂ ਅਤੇ ਹਰੇਕ ਸਮੂਹ ਲਈ ਆਰ-ਲੇਅਰ ਅਤੇ ਆਰ-ਲੇਅਰਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਚੁਣੇ ਹੋਏ ਧੁਰੇ ਦੇ ਨਾਲ ਲੇਅਰ ਦੁਆਰਾ ਬਿੰਦੂ ਕਲਾਉਡ ਪਰਤ ਨੂੰ ਪਾਰ ਕਰਦੇ ਹਾਂ। ਜਦੋਂ ਨਾਲ ਲੱਗਦੀਆਂ ਪਰਤਾਂ ਦੇ ਵਿਚਕਾਰ ਘੱਟੋ-ਘੱਟ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦੀ ਮੁੱਖ ਦਿਸ਼ਾ ਦੀ ਲੰਬਾਈ ਇੱਕ ਨਿਸ਼ਚਿਤ ਯੂਨਿਟ ਦੀ ਲੰਬਾਈ ਦੁਆਰਾ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਇੱਕੋ ਸਮੂਹ ਵਜੋਂ ਦਰਜ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਨਹੀਂ ਤਾਂ, ਇਸ ਨੂੰ ਅਗਲੇ ਸਮੂਹ ਦੀ ਸੰਦਰਭ ਪਰਤ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਹੇਠਲੇ ਸਮੂਹ ਵਿੱਚ ਹਰੇਕ ਬਿੰਦੂ ਕਲਾਉਡ ਇੱਕੋ ਛੋਟੇ ਮਾਰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਹਰੇਕ ਸਮੂਹ ਦੀ ਪਹਿਲੀ ਪਰਤ ਨੂੰ ਆਰ-ਲੇਅਰ ਦੇ ਤੌਰ ਤੇ ਸੈੱਟ ਕੀਤਾ ਹੈ, ਅਤੇ ਬਾਕੀ ਨੂੰ ਪੀ-ਲੇਅਰ ਵਜੋਂ। ਅਸੀਂ ਬਹੁਤ ਸਾਰੇ ਟੈਸਟ ਸੀ-ਯੂਏਂਸ 'ਤੇ ਪ੍ਰਯੋਗ ਵੀ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਕੁਚਨ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇਸ ਨਿਰਧਾਰਿਤ ਪੈਰਾਮੀਟਰ ਨੂੰ 3 ਯੂਨਿਟਾਂ ਦੇ ਤੌਰ 'ਤੇ ਸੈੱਟ ਕਰਨ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ।
ਬਾਅਦ ਵਿੱਚ, ਅਸੀਂ ਆਰ-ਲੇਅਰਾਂ 'ਤੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਖਿਡਾਰੀਆਂ ਦੇ ਬਚੇ ਹੋਏ ਹਿੱਸੇ ਨੂੰ ਰਿਕਾਰਡ ਕਰਦੇ ਹਾਂ। ਹਰੇਕ ਸਲਾਈਸ ਲੇਅਰ ਦੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੇ ਵਿਤਰਣ ਨਿਯਮ ਦੇ ਅਨੁਸਾਰ, ਅਸੀਂ TSP ਐਲਗੋਰਿਦਮ ਦੇ ਅਧਾਰ 'ਤੇ ਹਰੇਕ ਸਲਾਈਸ ਲੇਅਰ ਲਈ ਅਨਿਯਮਿਤ ਬਿੰਦੂ ਕਲਾਉਡਾਂ ਨੂੰ ਵਧੀਆ ਢੰਗ ਨਾਲ ਵਿਵਸਥਿਤ ਕਰਦੇ ਹਾਂ। ਇਹ ਸਾਨੂੰ ਆਰ-ਲੇਅਰਾਂ ਦੇ ਬਿੰਦੂ ਕਲਾਉਡ ਲਈ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਗਣਨਾ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸੰਬੰਧਿਤ ਪੂਰਵ-ਅਨੁਮਾਨ ਲੇਅਰਾਂ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਰਿਕਾਰਡ ਕਰਦਾ ਹੈ। ਐਲਗੋਰਿਦਮ 1 ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਸੂਡੋ-ਕੋਡ ਦਿਖਾਉਂਦਾ ਹੈ।

ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਸਥਾਨਕ ਖੇਤਰ ਵਿੱਚ ਬਿੰਦੂਆਂ ਦੇ ਵਿਚਕਾਰ ਦੂਰੀ ਦੀ ਗਣਨਾ ਕਰਨ ਦੇ ਨਿਯਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇੱਕ ਬੇਤਰਤੀਬ ਚੁਣੇ ਹੋਏ ਬਿੰਦੂ pc1 ਨਾਲ ਪਾਥ ਅਵਸਥਾ ਨੂੰ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ। ਹਰੇਕ ਦੁਹਰਾਓ ਵਿੱਚ, ਜਦੋਂ ਵੀ ਇੱਕ ਨਵਾਂ ਬਿੰਦੂ pci ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਕ੍ਰਮ ਨੂੰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਸਟੇਟ ਟ੍ਰਾਂਜਿਸ਼ਨ ਸਮੀਕਰਨ ਮਾਰਗ (P – i, i) ਦੁਆਰਾ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੇ ਕ੍ਰਮ ਵਿੱਚ P ਵਿੱਚ ਸਾਰੇ ਜੋੜੇ ਪੁਆਇੰਟ ਰਿਕਾਰਡ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਦੂਰੀ ਦੇ ਮਾਪਦੰਡ ਦੇ ਆਧਾਰ 'ਤੇ ਹੌਲੀ-ਹੌਲੀ ਸੋਧਿਆ ਜਾਂਦਾ ਹੈ। ਕੁੱਲ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਵਿੱਚ ਸਾਰੀਆਂ ਦੁਹਰਾਓ ਪੂਰੀਆਂ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਮਿਨ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ dist(pci, pcj ) ਹਰੇਕ ਆਰ-ਲੇਅਰ ਵਿੱਚ, ਅਤੇ ਹਰੇਕ R-ਲੇਅਰ ਵਿੱਚ ਬਿੰਦੂ ਬੱਦਲਾਂ ਦੀ ਸਭ ਤੋਂ ਛੋਟੀ ਮਾਰਗ ਰਿਕਾਰਡ ਸਾਰਣੀ ਵਾਪਸ ਕਰੋ। ਹੋਰ ਕੰਪਰੈਸ਼ਨ ਲਈ, ਅਸੀਂ ਉਸੇ ਸਮੂਹ ਦੇ ਅੰਦਰ ਆਰ-ਲੇਅਰ ਦੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਤੋਂ ਪੀ-ਲੇਅਰਾਂ ਦੇ ਭਟਕਣ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਭਵਿੱਖਬਾਣੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਵਜੋਂ ਰਿਕਾਰਡ ਕਰਦੇ ਹਾਂ। ਅੰਤ ਵਿੱਚ, ਰਲੇਅਰ ਦਾ ਸਭ ਤੋਂ ਛੋਟਾ ਮਾਰਗ ਅਤੇ ਹਰੇਕ ਸਮੂਹ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਆਉਟਪੁੱਟ ਹੁੰਦੇ ਹਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਹੋਰ ਸੰਕੁਚਿਤ ਕਰਨ ਲਈ ਐਂਟਰੌਪੀ ਏਨਕੋਡਰ ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਕੰਟੈਕਸਟ-ਗਾਈਡਿਡ ਪ੍ਰੈਡੀਕਟਿਵ ਐਨਕੋਡਿੰਗ
ਸਥਾਨਿਕ ਸੰਦਰਭ-ਨਿਰਦੇਸ਼ਿਤ ਭਵਿੱਖਬਾਣੀ ਮੋਡ ਏਨਕੋਡ ਕਰਦਾ ਹੈ
ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਊਡ ਵੱਖਰੇ ਤੌਰ 'ਤੇ। ਹਾਲਾਂਕਿ, ਹਰੇਕ ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਥਾਨਿਕ ਏਨਕੋਡਿੰਗ ਲਾਗੂ ਕਰਨ ਨਾਲ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿੱਚ ਅਸਥਾਈ ਸਬੰਧਾਂ ਦੁਆਰਾ ਪ੍ਰਗਟ ਕੀਤੇ ਮੌਕਿਆਂ ਤੋਂ ਖੁੰਝ ਸਕਦਾ ਹੈ। ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਕਿ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਓਵਰਲੈਪ ਦੇ ਵੱਡੇ ਹਿੱਸੇ ਨੂੰ ਸਾਂਝਾ ਕਰਦਾ ਹੈ, ਅਸੀਂ ਕੰਪਰੈਸ਼ਨ ਕੁਸ਼ਲਤਾ ਨੂੰ ਹੋਰ ਵਧਾਉਣ ਲਈ ਅਸਥਾਈ ਰਿਡੰਡੈਂਸੀ ਦੀ ਵਰਤੋਂ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹਾਂ। ਇਸ ਲਈ, ਪ੍ਰਸਤਾਵਿਤ ਸਥਾਨਿਕ ਸੰਦਰਭ-ਗਾਈਡਡ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਫਰੇਮਾਂ ਦੇ ਨਾਲ ਲੱਗਦੀਆਂ ਪਰਤਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਪੱਤਰ ਵਿਹਾਰ ਦੀ ਪਛਾਣ ਕਰਕੇ ਮਲਟੀਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰ ਸਕਦੇ ਹਾਂ।

1. ਅੰਤਰ-ਫਰੇਮ ਭਾਗ
   ਅੰਤਰ-ਫ੍ਰੇਮ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ, ਫਰੇਮਾਂ ਦੇ ਨਾਲ ਲੱਗਦੀਆਂ ਪਰਤਾਂ ਵਿਚਕਾਰ ਢੁਕਵੀਂ ਸਮਾਨਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਸਾਨੂੰ ਨਾਲ ਲੱਗਦੇ ਫਰੇਮਾਂ ਦੇ ਵਿਚਕਾਰ ਸਮੂਹਾਂ ਨੂੰ ਵੰਡਣ ਅਤੇ ਫਰੇਮਾਂ ਵਿੱਚ ਆਰ-ਲੇਅਰਾਂ ਅਤੇ ਪੀ-ਲੇਅਰਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਆਰ-ਲੇਅਰਾਂ ਦੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੇ ਆਧਾਰ 'ਤੇ ਪੀ-ਲੇਅਰਾਂ ਦੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਕੇ, ਅਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਰਿਕਾਰਡ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਐਂਟਰੌਪੀ ਏਨਕੋਡਰ ਰਾਹੀਂ ਅੱਗੇ ਸੰਕੁਚਿਤ ਕਰਦੇ ਹਾਂ। ਐਲਗੋਰਿਦਮ 2 ਇੰਟਰਫ੍ਰੇਮ ਭਾਗ ਦਾ ਸੂਡੋਕੋਡ ਦਿਖਾਉਂਦਾ ਹੈ।
   ਕੱਟੇ-ਲੇਅਰਾਂ ਦੇ ਅਨੁਕੂਲਨ ਅਲਾਈਨਮੈਂਟ ਦੇ ਅਧਾਰ ਤੇ, ਅਸੀਂ ਲਗਾਤਾਰ ਮੋਟੇ ਭਾਗ ਅਤੇ ਬਾਰੀਕ ਭਾਗ ਨੂੰ ਮਹਿਸੂਸ ਕਰਦੇ ਹਾਂ। ਮੋਟੇ ਵਿਭਾਜਨ ਲਈ, ਅਸੀਂ ਹਰੇਕ ਫਰੇਮ ਦੀਆਂ ਕੱਟੀਆਂ ਹੋਈਆਂ ਪਰਤਾਂ ਨੂੰ ਵੰਡ ਦੇ ਧੁਰੇ ਦੇ ਅਨੁਸਾਰੀ ਕੋਆਰਡੀਨੇਟਸ ਦੇ ਅਧਾਰ ਤੇ, ਛੋਟੇ ਤੋਂ ਵੱਡੇ ਤੱਕ ਕ੍ਰਮਬੱਧ ਕਰਦੇ ਹਾਂ। ਨਤੀਜੇ ਵਜੋਂ, ਹਰੇਕ ਫਰੇਮ ਦੀ ਹਰੇਕ ਟੁਕੜੀ ਦੀ ਪਰਤ ਦਾ ਇੱਕ ਵਿਲੱਖਣ ਲੇਅਰ ਨੰਬਰ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਸੀਂ ਸਲਾਈਸ ਲੇਅਰਾਂ ਨੂੰ ਨਾਲ ਲੱਗਦੇ ਫਰੇਮਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕੋ ਨੰਬਰ ਦੇ ਨਾਲ ਮੋਟੇ ਤੌਰ 'ਤੇ ਵੰਡ ਸਕਦੇ ਹਾਂ। ਬਾਅਦ ਵਿੱਚ, ਅਸੀਂ ਉਸੇ ਸੰਖਿਆ ਦੇ ਨਾਲ ਆਸ ਪਾਸ ਦੀਆਂ ਲੇਅਰਾਂ ਦੇ ਘੱਟੋ-ਘੱਟ ਬਾਊਂਡਿੰਗ ਬਕਸਿਆਂ ਦੇ ਮੁੱਖ ਧੁਰੇ ਦੀ ਲੰਬਾਈ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ। ਜੇਕਰ ਇਹ ਮੁੱਲ ਇੱਕ ਨਿਰਧਾਰਤ ਲੰਬਾਈ ਯੂਨਿਟ ਤੋਂ ਘੱਟ ਜਾਂ ਬਰਾਬਰ ਹੈ, ਤਾਂ ਲੇਅਰਾਂ ਨੂੰ ਉਸੇ ਸਮੂਹ ਵਿੱਚ ਵੰਡਿਆ ਜਾਵੇਗਾ। ਨਹੀਂ ਤਾਂ, ਅਸੀਂ ਨਜ਼ਦੀਕੀ ਫ੍ਰੇਮ ਦੀ ਅਨੁਸਾਰੀ ਪਰਤ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦੇ ਮੁੱਖ ਦਿਸ਼ਾ ਧੁਰੇ ਦੀ ਲੰਬਾਈ ਵਿੱਚ ਅੰਤਰ ਦੀ ਤੁਲਨਾ ਨਜ਼ਦੀਕੀ ਫ੍ਰੇਮ ਵਿੱਚ ਨੰਬਰ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਨਿਰਧਾਰਤ ਪਰਤ ਨਾਲ ਕਰਦੇ ਹਾਂ। ਸਭ ਤੋਂ ਛੋਟੇ ਫਰਕ ਵਾਲੀ ਪਰਤ ਨੂੰ ਫਿਰ ਉਸੇ ਸਮੂਹ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਆਸ ਪਾਸ ਦੀਆਂ ਪਰਤਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਵਧੀਆ ਭਾਗ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਨਾਲ ਲੱਗਦੇ ਸਬੰਧਾਂ ਦੇ ਵਧੀਆ ਭਾਗ ਨੂੰ ਮਹਿਸੂਸ ਕਰਨ ਲਈ।
2. ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਪ੍ਰਸੰਗ-ਨਿਰਦੇਸ਼ਿਤ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ
   ਭਾਗ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਸੈਕਸ਼ਨ 3.3 ਵਿੱਚ ਦਰਸਾਏ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਨੂੰ ਲਾਗੂ ਅਤੇ ਫੈਲਾਉਂਦੇ ਹਾਂ। ਅਸੀਂ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਅੰਤਰ-ਫ੍ਰੇਮ ਸੰਦਰਭ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਾਂ, ਮਤਲਬ ਕਿ ਹਰੇਕ ਸਮੂਹ ਦੀ ਪਹਿਲੀ ਪਰਤ, ਜੋ ਕਿ R-ਲੇਅਰ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਭਵਿੱਖਬਾਣੀ ਨਤੀਜਾ ਨਹੀਂ ਦੇ ਸਕਦੀ ਹੈ। ਆਸ ਪਾਸ ਦੀਆਂ ਪਰਤਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਭਾਵੀ ਸਬੰਧਾਂ ਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪੜਚੋਲ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਅਨੁਕੂਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਦਾ ਪਰਦਾਫਾਸ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।
   ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਮੌਜੂਦਾ ਸਮੂਹ ਵਿੱਚ ਹਰੇਕ ਕੱਟੀ-ਪਰਤ ਲਈ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ ਜਦੋਂ R-ਲੇਅਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਤੁਲਨਾ ਕਰਕੇ, ਅਸੀਂ ਸਭ ਤੋਂ ਛੋਟੇ ਸੰਪੂਰਨ ਰਹਿੰਦ-ਖੂੰਹਦ ਵਾਲੇ ਮੁੱਲ ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਵਜੋਂ ਆਰ-ਲੇਅਰ ਦੀ ਚੋਣ ਕਰਦੇ ਹਾਂ। ਆਰ-ਲੇਅਰ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੀ ਗਣਨਾ ਲਈ, ਅਸੀਂ ਵਧੀਆ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਦੇ ਤਹਿਤ ਆਰ-ਲੇਅਰਾਂ ਦੇ ਸਭ ਤੋਂ ਛੋਟੇ ਮਾਰਗ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਯਾਤਰਾ ਕਰਨ ਵਾਲੇ ਸੇਲਜ਼ਮੈਨ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਹਰੇਕ ਸਮੂਹ ਲਈ ਉਹਨਾਂ ਦੇ ਅਨੁਸਾਰੀ ਸਭ ਤੋਂ ਵਧੀਆ ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡਾਂ ਦੇ ਅਧੀਨ ਭਵਿੱਖਬਾਣੀ ਦੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਅਗਲੀ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਹੋਰ ਸੰਕੁਚਨ ਲਈ ਹਰੇਕ ਸਮੂਹ ਦੀ ਆਕੂਪੈਂਸੀ ਲੰਬਾਈ ਅਤੇ ਆਰ-ਲੇਅਰ ਜਾਣਕਾਰੀ ਨੂੰ ਵੀ ਰਿਕਾਰਡ ਕਰਦੇ ਹਾਂ। ਫਾਲੋ-ਅਪ ਓਪਰੇਸ਼ਨ ਵਿੱਚ, ਅਸੀਂ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੀ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਉਪਰੋਕਤ ਜਾਣਕਾਰੀ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਦਰਭ ਚੋਣ ਦੇ ਅਧਾਰ ਤੇ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ।

ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ 'ਤੇ ਆਧਾਰਿਤ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ
ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿੱਚ ਸੰਦਰਭ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਕੰਪਿਊਟੇਸ਼ਨਲ ਗੁੰਝਲਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਸਮੁੱਚੀ ਸੰਕੁਚਨ ਸਕੀਮ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਬੋਝ ਦਿੰਦੀ ਹੈ। ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਦੋ ਮਾਡਿਊਲਾਂ ਤੋਂ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਾਂ। 1) ਅਸੀਂ ਇੱਕ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਸੈਟ ਅਪ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਐਨਟ੍ਰੋਪੀ ਅਨੁਮਾਨ ਦੇ ਅਨੁਸਾਰ ਗਲੋਬਲ ਅਨੁਕੂਲ ਮੁੱਲ ਦੀ ਚੋਣ ਅਤੇ ਅੱਪਡੇਟ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਫਿਰ 2) ਅਸੀਂ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਉਪਰਲੇ ਅਤੇ ਹੇਠਲੇ ਸੀਮਾਵਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਗਣਨਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਏਨਕੋਡਰਾਂ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹਾਂ।

1. ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਨਿਰਮਾਣ
2. ਅਸੀਂ ਇੱਕ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਬਣਾਉਂਦੇ ਹਾਂ ਜੋ ਇੱਕ ਤੀਹਰੀ ਕਤਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਰੇਕ ਕੱਟੀ ਹੋਈ ਪਰਤ 'ਤੇ ਬਿੰਦੂ ਕਲਾਉਡ ਦੇ ਕੋਆਰਡੀਨੇਟਸ ਅਤੇ ਇਸਦੇ ਅਨੁਸਾਰੀ ਗੈਰ-ਖਾਲੀ ਸੰਦਰਭ ਦੀ ਪੂਰਨ ਅੰਕ ਪ੍ਰਤੀਨਿਧਤਾ ਹੁੰਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿੱਚ ਮੌਜੂਦ ਵੌਕਸਲਾਂ ਨੂੰ ਇਸਦੇ ਗੈਰ-ਖਾਲੀ ਸੰਦਰਭ ਨਾਲ ਹਰੇਕ ਲੇਅਰ ਦੇ ਘੱਟੋ-ਘੱਟ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਨਾਲ ਜੋੜਦੇ ਹਾਂ। ਪ੍ਰਸੰਗ ਡਿਕਸ਼ਨਰੀ ਦੀ ਤੀਹਰੀ ਕਤਾਰ ਐਰੇ ਦੇ ਨਿਰਮਾਣ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਣ ਲਈ, ਅਸੀਂ ਚਿੱਤਰ 2 ਵਿੱਚ ਇੱਕ ਅਨੁਭਵੀ ਵਿਆਖਿਆ ਦਿੰਦੇ ਹਾਂ। ਚਿੱਤਰ 2 ਵਿੱਚ ਛਾਂ ਵਾਲੇ ਦੋ ਵਰਗਾਂ ਲਈ, ਸਿਰਫ ਸੰਦਰਭ ਨਕਸ਼ੇ ਦੀਆਂ ਸਥਿਤੀਆਂ pc1 ਅਤੇ pc2 ਨੂੰ ਹੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। x-ਧੁਰੇ ਅਤੇ y-ਧੁਰੇ ਦੇ ਨਾਲ ਸੰਦਰਭ ਯੋਗਦਾਨ ਨੂੰ ਕ੍ਰਮਵਾਰ ਦੋ ਕਤਾਰਾਂ QX - ਅਤੇ QY - ਵਿੱਚ ਰਿਕਾਰਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ QX - ਅਤੇ QY - ਸ਼ਾਮਲ ਹਨ। ਇੱਕੋ ਹੀ ਕੋਆਰਡੀਨੇਟਸ ਵਾਲੇ ਕਤਾਰ ਤੱਤ ਇੱਕ ਟ੍ਰਿਪਲੇਟ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਜਿਸਦਾ ਸੰਦਰਭ ਪੂਰਨ ਅੰਕ ਪ੍ਰਸਤੁਤੀਕਰਨ ਵਿਲੀਨ ਕੀਤੇ ਟ੍ਰਿਪਲੇਟ ਦੇ ਸੰਦਰਭ ਯੋਗਦਾਨਾਂ ਦੇ ਜੋੜ ਵਜੋਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ।
   ਇਸਲਈ, ਹਰੇਕ ਵੌਕਸੇਲ ਦੇ ਸੰਦਰਭ ਨੂੰ ਇਸਦੇ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ ਕਬਜ਼ੇ ਵਾਲੇ ਵੌਕਸੇਲ ਦੇ ਸੁਤੰਤਰ ਯੋਗਦਾਨ ਦੇ ਜੋੜ ਵਜੋਂ ਗਿਣਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਢਾਂਚਾ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਵੌਕਸੇਲ ਨੂੰ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ ਔਖੇ ਮੈਟ੍ਰਿਕਸ ਲੁੱਕਅੱਪ ਤੋਂ ਬਿਨਾਂ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਸਦੇ ਨਤੀਜੇ ਵਜੋਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਗੁੰਝਲਤਾ ਅਤੇ ਰਨਟਾਈਮ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਕਮੀ ਆਉਂਦੀ ਹੈ।
3. ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ
   ਐਨਟ੍ਰੋਪੀ ਪ੍ਰੋਬੇਬਿਲਟੀ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਕ੍ਰਮ ਦੀ ਲੰਬਾਈ ਅਤੇ ਇਸਦੇ ਸੰਘਟਕ ਵੌਕਸਲਾਂ ਦੇ ਸੰਦਰਭ ਦੋਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਅਨੁਕੂਲ ਏਨਕੋਡਰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਹਾਂ ਜੋ ਪਹਿਲਾਂ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਤੋਂ ਹਰੇਕ ਸਮੂਹ ਲਈ ਉੱਪਰੀ ਅਤੇ ਹੇਠਲੇ ਸੰਚਤ ਸੰਭਾਵੀ ਸੀਮਾਵਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਬਾਅਦ ਵਿੱਚ ਏਨਕੋਡ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਮਾਰਕੋਵ ਚੇਨ ਮਾਡਲ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਬਾਈਨਰੀ ਟ੍ਰੀ ਬਣਾਉਂਦੇ ਹਾਂ। ਵੌਕਸੇਲਜ਼ ਦੀ ਕਬਜੇ ਨੂੰ ਪਾਰ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਕ੍ਰਮਵਾਰ 1 ਅਤੇ 0 ਦੇ ਮੁੱਲ ਨੂੰ ਕਬਜ਼ੇ ਵਾਲੇ ਅਤੇ ਖਾਲੀ ਵੋਕਸਲਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਰੁੱਖ ਦੀ ਬਣਤਰ ਦੇ ਅਧਾਰ ਤੇ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ। ਰੂਟ ਨੋਡ ਤੋਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ, ਜਦੋਂ ਇੱਕ ਵੌਕਸੇਲ ਉੱਤੇ ਕਬਜ਼ਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਸੀਂ ਖੱਬੇ ਚਾਈਲਡ ਨੋਡ ਨੂੰ 1 ਦੇ ਰੂਪ ਵਿੱਚ ਰਿਕਾਰਡ ਕਰਦੇ ਹਾਂ। ਨਹੀਂ ਤਾਂ, ਅਸੀਂ ਸੱਜੇ ਚਾਈਲਡ ਨੋਡ ਨੂੰ 0 ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਨਿਰਣੇ ਅਤੇ ਵੰਡ ਦੇ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਅੱਗੇ ਵਧਦੇ ਹਾਂ। ਕਬਜ਼ੇ ਵਾਲੇ ਵੌਕਸੇਲ ਦੀ ਰਨ ਪ੍ਰੋਬੇਬਿਲਟੀ ਲਈ ਗਣਨਾ ਫਾਰਮੂਲਾ Eq ਵਿੱਚ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। (4)।

n ਤੋਂ ਘੱਟ ਜਾਂ ਬਰਾਬਰ ਰਨ ਦੀ ਲੰਬਾਈ ਲਈ, ਵੌਕਸੇਲਜ਼ ਦੀ ਆਕੂਪੈਂਸੀ ਸਟੇਟਸ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ 2n ਟ੍ਰੀ ਨੋਡ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਕਿਸੇ ਵੀ ਕਬਜ਼ੇ ਵਾਲੇ ਵੌਕਸੇਲ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਰੂਟ ਤੋਂ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੇ ਅਤੇ ਰੁੱਖ ਦੇ ਕਿਸੇ ਵੀ ਬੇਔਲਾਦ ਨੋਡ 'ਤੇ ਖਤਮ ਹੋਣ ਵਾਲੀਆਂ ਸਾਰੀਆਂ ਅਵਸਥਾਵਾਂ ਨੂੰ ਪਾਰ ਕਰਨ ਦੀ ਸੁਤੰਤਰ ਸੰਯੁਕਤ ਸੰਭਾਵਨਾ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ। Eq 'ਤੇ ਆਧਾਰਿਤ. (4), ਵੌਕਸੇਲ ਕ੍ਰਮ ਦੇ ਕਬਜ਼ੇ 'ਤੇ ਅੰਕਗਣਿਤ ਐਨਕੋਡਿੰਗ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਕ੍ਰਮ ਦੀਆਂ ਸੰਚਤ ਉਪਰਲੀਆਂ ਅਤੇ ਹੇਠਲੇ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ Eq ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। (5)।

ਇਸ ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਅਨੁਕੂਲਿਤ ਸੰਭਾਵੀ ਅਨੁਮਾਨ ਮਾਡਲ ਅਤੇ ਮੌਜੂਦਾ ਚਿੰਨ੍ਹ ਕ੍ਰਮ ਵਿੱਚ ਹਰੇਕ ਪ੍ਰਤੀਕ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੇ ਅਧਾਰ ਤੇ ਹਰੇਕ ਪ੍ਰਤੀਕ ਦੇ ਸੰਭਾਵੀ ਅਨੁਮਾਨ ਮੁੱਲ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਦੀਆਂ ਅਨੁਕੂਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਸਾਨੂੰ ਕਬਜੇ ਵਾਲੇ ਵੌਕਸਲਾਂ ਦੀ ਸੰਚਤ ਸੰਭਾਵਨਾ ਦੇ ਉਪਰਲੇ ਅਤੇ ਹੇਠਲੇ ਸੀਮਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਅਤੇ ਏਨਕੋਡਿੰਗ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਪ੍ਰਯੋਗ

ਲਾਗੂ ਕਰਨ ਦੇ ਵੇਰਵੇ

1. ਡਾਟਾਸੈੱਟ। ਸਾਡੀ ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ, 16 ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾਸੈਟਾਂ ਤੋਂ ਵੱਧ ਵਿਆਪਕ ਪ੍ਰਯੋਗ ਕੀਤੇ ਗਏ ਸਨ ਜੋ ਰੈਫ ਤੋਂ ਡਾਊਨਲੋਡ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। [40], ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 3 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਅੰਜੀਰ. 3(a)-3(l) ਸੰਘਣੇ ਬਿੰਦੂਆਂ ਵਾਲੇ ਪੋਰਟਰੇਟ ਹਨ, ਅਤੇ ਅੰਜੀਰ। 3(m) – 3(p) ਸਪਾਰਸ ਪੁਆਇੰਟਾਂ ਦੇ ਨਾਲ ਆਰਕੀਟੈਕਚਰ ਹਨ। ਅੰਜੀਰ. 3(a) – 3(h) ਮਾਈਕ੍ਰੋਸਾੱਫਟ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦੋ ਸਥਾਨਿਕ ਰੈਜ਼ੋਲਿਊਸ਼ਨਾਂ ਦੇ ਵੌਕਸਲਾਈਜ਼ਡ ਅਪਰ ਬਾਡੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਕ੍ਰਮ ਹਨ। ਅੰਜੀਰ. 3(i)-3(l) ਨੂੰ 8i ਵੌਕਸਲਾਈਜ਼ਡ ਫੁੱਲ ਬਾਡੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡਾਟਾ ਕ੍ਰਮ ਤੋਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ। ਅੰਜੀਰ ਵਿੱਚ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਸਪਾਰਸ ਪੁਆਇੰਟ ਦੇ ਬਾਕੀ ਬਚੇ ਬੱਦਲ। 3(k)- 3(p) ਸਥਿਰ ਨਕਾਬ ਅਤੇ ਆਰਕੀਟੈਕਚਰ ਡੇਟਾਸੇਟ ਹਨ।
2. ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ। ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਬਿੱਟ ਪ੍ਰਤੀ ਬਿੰਦੂ (ਬੀਪੀਪੀ) ਦੇ ਰੂਪ ਵਿੱਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਬੀਪੀਪੀ ਬਿੰਦੂ ਨਾਲ ਜੁੜੀ ਤਾਲਮੇਲ ਜਾਣਕਾਰੀ ਦੁਆਰਾ ਲਏ ਗਏ ਬਿੱਟਾਂ ਦੇ ਜੋੜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਮੁੱਲ ਜਿੰਨਾ ਘੱਟ ਹੋਵੇਗਾ, ਪ੍ਰਦਰਸ਼ਨ ਉੱਨਾ ਹੀ ਵਧੀਆ ਹੋਵੇਗਾ। ਜਿੱਥੇ Sizedig ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਦੀ ਕੋਆਰਡੀਨੇਟ ਜਾਣਕਾਰੀ ਦੁਆਰਾ ਕਬਜ਼ੇ ਵਿੱਚ ਬਿੱਟਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ k ਮੂਲ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿੱਚ ਪੁਆਇੰਟਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
3. ਬੈਂਚਮਾਰਕ। ਅਸੀਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਸਾਡੀ ਵਿਧੀ ਦੀ ਤੁਲਨਾ ਹੋਰ ਬੇਸਲਾਈਨ ਐਲਗੋਰਿਦਮ ਨਾਲ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: ਪੀਸੀਐਲ-ਪੀਸੀਸੀ: ਪੀਸੀਐਲ ਵਿੱਚ ਔਕਟਰੀ-ਅਧਾਰਤ ਕੰਪਰੈਸ਼ਨ; G-PCC (MPEG ਇੰਟਰਾ-ਕੋਡਰਜ਼ ਟੈਸਟ ਮਾਡਲ) ਅਤੇ interEM (MPEG ਇੰਟਰ-ਕੋਡਰਜ਼ ਟੈਸਟ ਮਾਡਲ) ਕ੍ਰਮਵਾਰ ਸਿੰਗਲ-ਫ੍ਰੇਮ ਅਤੇ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਦਾ ਟੀਚਾ; ਸਿਲੂਏਟ 3D (S3D)[41] ਅਤੇ ਸਿਲੂਏਟ 4D (S4D)[42] ਕ੍ਰਮਵਾਰ ਸਿੰਗਲ ਫਰੇਮ ਅਤੇ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦਾ ਹੈ।
   PCL ਲਈ, ਅਸੀਂ ਸਿਰਫ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ PCL-v1.8.1 ਵਿੱਚ ਔਕਟਰੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਪੁਆਇੰਟ ਸ਼ੁੱਧਤਾ ਅਤੇ ਵੌਕਸੇਲ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਤੋਂ ਔਕਟਰੀ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਪੈਰਾਮੀਟਰ ਸੈੱਟ ਕਰਦੇ ਹਾਂ। G-PCC (TM13-v11.0) ਲਈ, ਅਸੀਂ ਇੱਕ ਨੁਕਸਾਨ ਰਹਿਤ ਜਿਓਮੈਟਰੀ ਚੁਣਦੇ ਹਾਂ ਇੱਕ ਔਕਟਰੀ-ਅਨੁਮਾਨੀ ਮੋਡ ਵਿੱਚ ਘਾਟ ਰਹਿਤ ਗੁਣਾਂ ਦੀ ਸਥਿਤੀ, ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਡਿਫੌਲਟ ਦੇ ਤੌਰ ਤੇ ਛੱਡ ਕੇ। ਇੰਟਰਈਐਮ (tmc3v3.0) ਲਈ, ਅਸੀਂ ਤੁਲਨਾਤਮਕ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨ ਰਹਿਤ ਜਿਓਮੈਟਰੀ ਅਤੇ ਨੁਕਸਾਨ ਰਹਿਤ ਗੁਣਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੇ ਅਧੀਨ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ[43]। S3D ਲਈ
   ਅਤੇ S4D, ਅਸੀਂ ਡਿਫੌਲਟ ਸ਼ਰਤਾਂ ਅਤੇ ਮਾਪਦੰਡਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਾਂ।
4. ਹਾਰਡਵੇਅਰ। ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਨੂੰ PCL-v1.8.1 ਦੇ ਕੁਝ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ Matlab ਅਤੇ C++ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਾਰੇ ਪ੍ਰਯੋਗਾਂ ਨੂੰ 7 GB ਮੈਮੋਰੀ ਵਾਲੇ Intel Core i8750- 2.20 CPU @8 GHz ਵਾਲੇ ਲੈਪਟਾਪ 'ਤੇ ਟੈਸਟ ਕੀਤਾ ਗਿਆ ਹੈ।

ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਦੇ ਨਤੀਜੇ

1. ਸੰਘਣੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਕ੍ਰਮਾਂ ਦੇ ਪੋਰਟਰੇਟ ਦੇ ਸੰਕੁਚਨ ਨਤੀਜੇ
   ਸਾਰਣੀ 1 ਸੰਘਣੇ ਬਿੰਦੂ ਕਲਾਉਡ ਡੇਟਾ ਕ੍ਰਮਾਂ ਦੇ ਪੋਰਟਰੇਟ 'ਤੇ PCL-PCC, G-PCC ਅਤੇ S3D ਵਿਧੀਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਸਾਡੇ ਸਥਾਨਿਕ ਸੰਦਰਭ ਨਿਰਦੇਸ਼ਿਤ ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿਖਾਉਂਦਾ ਹੈ। ਇਹ ਸਾਰਣੀ 1 ਤੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕੋ ਕ੍ਰਮ ਦੇ ਸਾਰੇ ਬਿੰਦੂ ਕਲਾਉਡ ਲਈ, ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਹੋਰ ਵਿਧੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਸਭ ਤੋਂ ਘੱਟ ਕੰਪਰੈਸ਼ਨ BPP ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ। ਸਾਡਾ ਐਲਗੋਰਿਦਮ S1.56D ਦੇ ਵਿਰੁੱਧ −0.02% ਤੋਂ −3% ਤੱਕ ਔਸਤ ਲਾਭ ਅਤੇ G-PCC ਦੇ ਵਿਰੁੱਧ −10.62% ਤੋਂ −1.45% ਤੱਕ ਲਾਭਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਹੋਰ ਸਪੱਸ਼ਟ ਸਲਾਹ ਦਿਖਾਉਂਦਾ ਹੈtage, ਭਾਵ, ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਦੇ ਸੰਕੁਚਨ ਪ੍ਰਦਰਸ਼ਨ ਲਾਭ −10.62% ਤੋਂ −1.45% ਤੱਕ; PCL-PCC ਲਈ, ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ −154.43% ਤੋਂ −85.39% ਤੱਕ ਦੇ ਸਾਰੇ ਕ੍ਰਮਾਂ 'ਤੇ ਲਗਭਗ ਦੁੱਗਣਾ ਲਾਭ ਦਿਖਾਉਂਦਾ ਹੈ।
2. ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਸਪਾਰਸ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਦੇ ਸੰਕੁਚਨ ਨਤੀਜੇ
   ਕਿਉਂਕਿ S3D ਇਸ ਕੇਸ ਵਿੱਚ ਕੰਮ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ, ਅਸੀਂ ਸਿਰਫ਼ ਸਾਡੇ ਸਥਾਨਿਕ ਸੰਦਰਭ-ਨਿਰਦੇਸ਼ਿਤ ਨੁਕਸਾਨ ਰਹਿਤ ਜਿਓਮੈਟਰੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੀ ਤੁਲਨਾ PCL-PCC ਅਤੇ G-PCC ਵਿਧੀਆਂ ਨਾਲ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਸਪਾਰਸ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ 'ਤੇ ਕਰਦੇ ਹਾਂ। ਦੁਬਾਰਾ ਫਿਰ, ਸਾਡਾ ਐਲਗੋਰਿਦਮ G-PCC ਅਤੇ PCL-PCC ਦੇ ਨਾਲ ਕਾਫ਼ੀ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਾਰਣੀ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ G-PCC ਦੀ ਤੁਲਨਾ ਵਿੱਚ −8.84% ਤੋਂ −4.35% ਤੱਕ ਦੇ ਔਸਤ BPP ਲਾਭਾਂ ਨੂੰ ਹਾਸਲ ਕੀਤਾ ਗਿਆ ਹੈ। PCL- PCC ਲਈ, ਸਾਡਾ ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਵਧੇਰੇ ਸਪੱਸ਼ਟ ਐਡਵਾਂ ਦਿਖਾਉਂਦਾ ਹੈtages, −34.69% ਤੋਂ −23.94% ਤੱਕ ਦੇ ਲਾਭਾਂ ਦੇ ਨਾਲ।
3. ਸੰਖੇਪ
   ਸਿੰਗਲ ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਨਤੀਜਿਆਂ ਦੀ ਵਧੇਰੇ ਸਮਝਣਯੋਗ ਤੁਲਨਾ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ, ਸਾਰਣੀ 2 ਸਾਡੇ ਸਥਾਨਿਕ ਸੰਦਰਭ-ਨਿਰਦੇਸ਼ਿਤ ਕੰਪਰੈਸ਼ਨ ਵਿਧੀ ਅਤੇ ਹੋਰ ਅਤਿ-ਆਧੁਨਿਕ ਬੈਂਚਮਾਰਕ ਵਿਧੀਆਂ ਵਿਚਕਾਰ ਔਸਤ ਨਤੀਜੇ ਪੇਸ਼ ਕਰਦੀ ਹੈ। S3D ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਸਾਡੀ ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ − 0.58% ਤੋਂ −3.43% ਤੱਕ ਔਸਤ ਲਾਭ ਦਿਖਾਉਂਦੀ ਹੈ। G-PCC ਅਤੇ PCL-PCC ਲਈ, ਔਸਤ ਲਾਭ ਕ੍ਰਮਵਾਰ ਘੱਟੋ-ਘੱਟ −3.43% ਅਤੇ −95.03% ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਾਡੀ ਸਥਾਨਿਕ ਸੰਦਰਭ ਨਿਰਦੇਸ਼ਿਤ ਸੰਕੁਚਨ ਵਿਧੀ ਮੌਜੂਦਾ S3D, G-PCC ਅਤੇ PCL-PCC ਨੂੰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਫਰਕ ਨਾਲ ਵਧਾਉਂਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਵੱਖ-ਵੱਖ ਸੀਨ ਕਿਸਮਾਂ, ਜਿਵੇਂ ਕਿ ਸੰਘਣੀ ਜਾਂ ਸਪਾਰਸ ਡਿਸਟਰੀਬਿਊਸ਼ਨਾਂ ਲਈ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਦੀਆਂ ਨੁਕਸਾਨ ਰਹਿਤ ਕੰਪਰੈਸ਼ਨ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਸਾਡੀ ਵਿਧੀ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਲਗਾਤਾਰ ਬਣੀ ਰਹਿੰਦੀ ਹੈ।
4. ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਦੇ ਨਤੀਜੇ
   ਅਸੀਂ ਮੌਜੂਦਾ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਜਿਵੇਂ ਕਿ S4D, PCL-PCC, G-PCC ਅਤੇ interEM ਦੇ ਵਿਰੁੱਧ ਸਾਡੇ ਪ੍ਰਸਤਾਵਿਤ ਸਥਾਨਿਕ-ਸਥਾਈ ਸੰਦਰਭ-ਗਾਈਡ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ। ਇਸ ਪ੍ਰਯੋਗ ਵਿੱਚ ਸੰਘਣੇ ਬਿੰਦੂ ਕਲਾਉਡ ਡੇਟਾ ਕ੍ਰਮ ਦੇ ਸਿਰਫ ਪੋਰਟਰੇਟ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਨਤੀਜੇ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ.

ਸਾਰਣੀ 1. ਸਾਡੇ ਸਥਾਨਿਕ ਸੰਦਰਭ-ਗਾਈਡ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਅਤੇ ਬੇਸਲਾਈਨ ਵਿਧੀਆਂ ਦੀ BPP ਤੁਲਨਾ।

ਸਾਰਣੀ 2. ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ 'ਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਐਲਗੋਰਿਦਮ ਨਾਲ BPP ਦੀ ਤੁਲਨਾ।

ਸਾਰਣੀ 3. ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ, ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡ ਅਤੇ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਦੇ ਬਾਅਦ, ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਸਾਰੇ ਟੈਸਟ ਕ੍ਰਮਾਂ 'ਤੇ ਉੱਤਮਤਾ ਦਿਖਾਉਂਦਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, interEM ਅਤੇ G-PCC ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਕ੍ਰਮਵਾਰ −51.94% ਤੋਂ −17.13% ਅਤੇ −46.62% ਤੋਂ −5.7% ਤੱਕ ਦੇ ਮਹੱਤਵਪੂਰਨ ਲਾਭਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। S4D ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ −12.18% ਤੋਂ −0.33% ਤੱਕ ਮਜ਼ਬੂਤ ​​ਸੁਧਾਰ ਦਿਖਾਉਂਦਾ ਹੈ। PCL-PCC ਲਈ, ਸਾਡਾ ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਸਾਰੇ ਟੈਸਟ ਕ੍ਰਮਾਂ ਤੋਂ ਲਗਭਗ ਅੱਧਾ ਹੋ ਗਿਆ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਟੇਬਲ 4 ਵਿੱਚ ਸੂਚੀਬੱਧ ਪੋਰਟਰੇਟ ਦੇ ਸੰਘਣੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਕ੍ਰਮਾਂ 'ਤੇ ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਦੇ ਸੰਕੁਚਨ ਨਤੀਜਿਆਂ ਅਤੇ ਲਾਭਾਂ ਦਾ ਸਾਰ ਦਿੰਦੇ ਹਾਂ। ਔਸਤਨ, ਇਹ ਸਥਾਨਿਕ ਸੰਦਰਭ-ਨਿਰਦੇਸ਼ਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਦੀ ਤੁਲਨਾ ਵਿੱਚ −11.5% ਅਤੇ −2.59% ਦੇ ਵਿਚਕਾਰ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਪਹਿਲਾਂ ਪ੍ਰਸਤਾਵਿਤ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਜੀ-ਪੀਸੀਸੀ ਦੇ ਮੁਕਾਬਲੇ −19% ਦਾ ਵਧੀਆ ਔਸਤ ਲਾਭ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਇੰਟਰਈਐਮ ਦੇ ਮੁਕਾਬਲੇ −24.55% ਦਾ ਔਸਤ ਕੋਡਿੰਗ ਲਾਭ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, S3D ਅਤੇ S4D ਦੇ ਮੁਕਾਬਲੇ, ਇਹ ਕ੍ਰਮਵਾਰ ਔਸਤਨ −6.11% ਅਤੇ −3.64% ਤੋਂ ਵੱਧ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਸਮੁੱਚਾ ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਪੈਟੀਓਟੇਮਪੋਰਲ ਸੰਦਰਭ-ਗਾਈਡ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਵਿਧੀ ਇੰਟਰਾ-ਫ੍ਰੇਮਾਂ ਅਤੇ ਅੰਤਰ-ਫ੍ਰੇਮਾਂ ਦੇ ਅੰਦਰ ਨਾਲ ਲੱਗਦੀਆਂ ਪਰਤਾਂ ਦੇ ਸਥਾਨਿਕ ਅਤੇ ਅਸਥਾਈ ਸਬੰਧਾਂ ਦੀ ਪੂਰੀ ਵਰਤੋਂ ਕਰ ਸਕਦੀ ਹੈ। ਅਸੀਂ ਘੱਟ ਬਿੱਟ ਰੇਟ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ ਦੇ ਗਲੋਬਲ ਸੰਦਰਭ ਚੋਣ ਅਤੇ ਸੰਭਾਵਨਾ ਮਾਡਲ ਵਿੱਚ ਵੀ ਸੁਧਾਰ ਕਰਦੇ ਹਾਂ। ਪ੍ਰਸਤਾਵਿਤ ਵਿਧੀ ਅਤਿ-ਆਧੁਨਿਕ ਐਲਗੋਰਿਦਮ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪਛਾੜਦੀ ਹੈ, ਤਾਂ ਜੋ ਡਾਇਨਾਮਿਕ ਪੋਰਟਰੇਟਸ ਵਰਗੇ ਮਲਟੀਮੀਡੀਆ ਐਪਲੀਕੇਸ਼ਨ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਲੌਸਲੈਸ ਕੰਪਰੈਸ਼ਨ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕੀਤਾ ਜਾ ਸਕੇ।

ਸਾਰਣੀ 3. ਬਿੱਟ-ਪ੍ਰਤੀ-ਪੁਆਇੰਟ ਦੀ ਤੁਲਨਾ ਸਾਡੇ ਸਪੈਟੀਓ-ਟੈਂਪੋਰਲ ਪ੍ਰਸੰਗ-ਨਿਰਦੇਸ਼ਿਤ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਅਤੇ ਬੇਸਲਾਈਨ ਵਿਧੀਆਂ।

ਸਾਰਣੀ 4. ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ 'ਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਐਲਗੋਰਿਦਮ ਨਾਲ ਬਿੱਟ-ਪ੍ਰਤੀ-ਪੁਆਇੰਟ ਦੀ ਤੁਲਨਾ।

ਐਬਲੇਸ਼ਨ ਸਟੱਡੀ
ਅਸੀਂ ਭਾਗ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ 8i ਵੌਕਸਲਾਈਜ਼ਡ ਫੁੱਲ-ਬਾਡੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਕ੍ਰਮਾਂ 'ਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਏਨਕੋਡਿੰਗ 'ਤੇ ਐਬਲੇਸ਼ਨ ਅਧਿਐਨ ਕਰਦੇ ਹਾਂ। ਇਹ ਸਾਰਣੀ 5 ਤੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਸੁਧਾਰ ਮਲਟੀਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ 'ਤੇ −70% ਅਤੇ ਗੈਰ-ਵਿਭਾਜਨ ਭਵਿੱਖਬਾਣੀ ਕੋਡਿੰਗ ਦੇ ਵਿਰੁੱਧ ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ 'ਤੇ −60% ਦਾ ਸਥਿਰ ਲਾਭ ਦਿਖਾਉਂਦਾ ਹੈ।
ਅੱਗੇ, ਅਸੀਂ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ 'ਤੇ ਇੱਕ ਅਬਲੇਸ਼ਨ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹਾਂ। ਜਿਵੇਂ ਕਿ ਸਾਰਣੀ 6 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਸਾਡੀ ਵਿਧੀ ਵਿੱਚ ਸੰਦਰਭ ਸ਼ਬਦਕੋਸ਼ ਤੋਂ ਬਿਨਾਂ ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ ਦੇ ਵਿਰੁੱਧ ਮਲਟੀ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ 'ਤੇ −33% ਅਤੇ ਸਿੰਗਲ-ਫ੍ਰੇਮ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ 'ਤੇ −41% ਦਾ ਮਜ਼ਬੂਤ ​​ਸੁਧਾਰ ਦੇਖਿਆ ਗਿਆ ਹੈ।

ਸਮੇਂ ਦੀ ਖਪਤ
ਅਸੀਂ ਐਲਗੋਰਿਦਮ ਦੀ ਗੁੰਝਲਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਸਮੇਂ ਦੀ ਖਪਤ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ ਅਤੇ ਪ੍ਰਸਤਾਵਿਤ ਤਰੀਕਿਆਂ ਦੀ ਦੂਜਿਆਂ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ। ਐਲਗੋਰਿਦਮ ਜਟਿਲਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਏਨਕੋਡਰਾਂ ਅਤੇ ਡੀਕੋਡਰਾਂ ਦੁਆਰਾ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸਾਰਣੀ 7 ਵਿੱਚ ਸੂਚੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ, G-PCC, interEM ਅਤੇ PCL-PCC 10 s ਤੋਂ ਘੱਟ ਦਾ ਐਨਕੋਡਿੰਗ ਸਮਾਂ ਅਤੇ 5 s ਤੋਂ ਘੱਟ ਦਾ ਡੀਕੋਡਿੰਗ ਸਮਾਂ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਪੋਰਟਰੇਟ-ਸੰਘਣੀ ਬਿੰਦੂ ਕਲਾਉਡ ਡੇਟਾ। ਉਹ ਹੋਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਸਪਾਰਸ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਵਿੱਚ ਵੀ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਸਾਡੇ ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਦਮ ਪੋਰਟਰੇਟ ਕ੍ਰਮ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਅਤੇ ਡੀਕੋਡ ਕਰਨ ਲਈ ਲਗਭਗ 60 ਸਕਿੰਟ ਅਤੇ 15 ਸਕਿੰਟ ਦਾ ਸਮਾਂ ਲੈਂਦੇ ਹਨ, ਨਕਾਬ ਅਤੇ ਆਰਕੀਟੈਕਚਰ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ 'ਤੇ ਹੋਰ ਵੀ। ਬਿੱਟਰੇਟਸ ਅਤੇ ਕੰਪਰੈਸ਼ਨ ਸਪੀਡ ਵਿਚਕਾਰ ਇੱਕ ਵਪਾਰ-ਬੰਦ ਹੈ। S3D ਅਤੇ S4D ਦੇ ਮੁਕਾਬਲੇ, ਜੋ ਕਿ ਏਨਕੋਡ ਕਰਨ ਲਈ ਸੈਂਕੜੇ ਸਕਿੰਟ ਲੈਂਦੀ ਹੈ, ਸਾਡੀ ਸਮਾਂ-ਖਪਤ ਵਿਧੀ ਉੱਤਮਤਾ ਦਿਖਾ ਸਕਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ, ਸਾਡੇ ਪ੍ਰਸਤਾਵਿਤ ਤਰੀਕਿਆਂ ਦੀ ਸਮੇਂ ਦੀ ਖਪਤ ਸਾਰੇ ਤੁਲਨਾਤਮਕ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਮੱਧਮ ਹੈ ਪਰ ਅਜੇ ਵੀ ਹੋਰ ਸੁਧਾਰ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ।

ਸਿੱਟਾ

ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਨੁਕਸਾਨ ਰਹਿਤ ਬਿੰਦੂ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਇੱਕ ਸਥਾਨਿਕ ਸੰਦਰਭ-ਗਾਈਡ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਯੂਨਿਟ ਮੋਟਾਈ ਦੇ ਕੱਟੇ ਹੋਏ ਬਿੰਦੂ ਕਲਾਉਡ ਨੂੰ ਇਨਪੁਟ ਯੂਨਿਟ ਮੰਨਦੇ ਹਾਂ ਅਤੇ ਟ੍ਰੈਵਲਿੰਗ ਸੇਲਜ਼ਮੈਨ ਐਲਗੋਰਿਦਮ ਦੇ ਆਧਾਰ 'ਤੇ ਜਿਓਮੈਟਰੀ ਪੂਰਵ-ਸੂਚਕ ਕੋਡਿੰਗ ਮੋਡ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹਾਂ, ਜੋ ਕਿ ਇੰਟਰਾ-ਫ੍ਰੇਮ ਅਤੇ ਇੰਟਰ-ਫ੍ਰੇਮ ਦੋਵਾਂ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਪੁਆਇੰਟ ਕਲਾਉਡਜ਼ ਦੇ ਨੁਕਸਾਨ ਰਹਿਤ ਸੰਕੁਚਨ ਅਤੇ ਡੀਕੰਪ੍ਰੇਸ਼ਨ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸੰਦਰਭ-ਤੇਜ਼ ਅਪਡੇਟ ਦੇ ਅਧਾਰ ਤੇ ਗਲੋਬਲ ਸੰਦਰਭ ਜਾਣਕਾਰੀ ਅਤੇ ਅਨੁਕੂਲ ਅੰਕਗਣਿਤ ਏਨਕੋਡਰ ਦੀ ਪੂਰੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਸਾਡੇ ਤਰੀਕਿਆਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਨਾਲੋਂ ਉਹਨਾਂ ਦੀ ਉੱਤਮਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਭਵਿੱਖ ਦੇ ਕੰਮ ਲਈ, ਅਸੀਂ ਉੱਚ-ਸਪੀਡ ਕੰਪਰੈਸ਼ਨ ਰੇਟ ਅਤੇ ਘੱਟ ਬਿੱਟ ਰੇਟ ਕੰਪਰੈਸ਼ਨ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ ਦੀ ਜਟਿਲਤਾ ਨੂੰ ਘਟਾ ਕੇ, ਐਲਗੋਰਿਦਮ ਦੀ ਸਮੁੱਚੀ ਜਟਿਲਤਾ ਦਾ ਹੋਰ ਅਧਿਐਨ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹਾਂ। ਇੱਕ ਘੱਟ ਬਿੱਟ ਰੇਟ ਅਤੇ ਰੀਅਲ-ਟਾਈਮ/ਘੱਟ-ਦੇਰੀ ਸਮਰਥਿਤ ਢੰਗ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਲੋੜੀਂਦਾ ਹੈ।

ਹਵਾਲੇ

1. MI XX, YANG BS, DONG Z, et al. MLS ਪੁਆਇੰਟ ਕਲਾਊਡ [J] ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਵੈਚਲਿਤ 3D ਸੜਕ ਸੀਮਾ ਕੱਢਣ ਅਤੇ ਵੈਕਟੋਰਾਈਜ਼ੇਸ਼ਨ। ਬੁੱਧੀਮਾਨ ਆਵਾਜਾਈ ਪ੍ਰਣਾਲੀਆਂ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2022, 23(6): 5287 – 5297. DOI: 10.1109/ TITS.2021.3052882
2. ਡੋਂਗ ਜ਼ੈੱਡ, ਲਿਆਂਗ ਐੱਫਐਕਸ, ਯਾਂਗ ਬੀਐੱਸ, ਆਦਿ। ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਟੈਰੇਸਟ੍ਰੀਅਲ ਲੇਜ਼ਰ ਸਕੈਨਰ ਪੁਆਇੰਟ ਕਲਾਉਡਜ਼ ਦੀ ਰਜਿਸਟ੍ਰੇਸ਼ਨ: ਇੱਕ ਰੀview ਅਤੇ ਬੈਂਚਮਾਰਕ [J]। ਫੋਟੋਗਰਾਮੈਟਰੀ ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਦਾ ISPRS ਜਰਨਲ, 2020, 163: 327– 342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. ਇੱਕ ਓਵਰview ਚੱਲ ਰਹੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਮਾਨਕੀਕਰਨ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ: ਵੀਡੀਓ-ਅਧਾਰਿਤ (V-PCC) ਅਤੇ ਜਿਓਮੈਟਰੀ-ਅਧਾਰਿਤ (G-PCC) [J]। ਸਿਗਨਲ ਅਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ APSIPA ਲੈਣ-ਦੇਣ, 2020, 9: e13
4. DE QUEIROZ RL, CHOU P A. ਇੱਕ ਖੇਤਰ-ਅਨੁਕੂਲ ਲੜੀਵਾਰ ਪਰਿਵਰਤਨ [J] ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 3D ਪੁਆਇੰਟ ਬੱਦਲਾਂ ਦੀ ਸੰਕੁਚਨ। ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2016, 25(8): 3947–3956। DOI: 10.1109/TIP.2016.2575005
5. ਬਲੇਟਰਰ ਏ, ਪਯਾਨ ਐਫ, ਐਨਟੋਨੀਨੀ ਐਮ, ਏਟ ਅਲ. ਡੂੰਘਾਈ ਦੇ ਨਕਸ਼ੇ [J] ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ। ਇਲੈਕਟ੍ਰਾਨਿਕ ਇਮੇਜਿੰਗ, 2016, 2016(21):1–6
6. MEKURIA R, BLOM K, CESAR P. ਟੈਲੀ-ਇਮਰਸਿਵ ਵੀਡੀਓ [J] ਲਈ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੋਡੇਕ ਦਾ ਡਿਜ਼ਾਈਨ, ਲਾਗੂਕਰਨ ਅਤੇ ਮੁਲਾਂਕਣ। ਵੀਡੀਓ ਤਕਨਾਲੋਜੀ ਲਈ ਸਰਕਟਾਂ ਅਤੇ ਸਿਸਟਮਾਂ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2017, 27(4): 828 – 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL, CHOU P A. ਗਤੀਸ਼ੀਲ ਵੌਕਸਲਾਈਜ਼ਡ ਪੁਆਇੰਟ ਕਲਾਊਡ [J] ਦੀ ਮੋਸ਼ਨ-ਮੁਆਵਜ਼ਾ ਕੰਪਰੈਸ਼ਨ। ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2017, 26 (8): 3886–3895। DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ: ਇੱਕ ਸਰਵੇਖਣ [C]// 24D 'ਤੇ 3ਵੀਂ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ Web ਤਕਨਾਲੋਜੀ। ACM, 2019: 1-9। DOI: 10.1145/3329714.3338130
9. GRAZIOSI D, NAKAGAMI O, KUMA S, et al. ਇੱਕ ਓਵਰview ਚੱਲ ਰਹੇ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਮਾਨਕੀਕਰਨ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ: ਵੀਡੀਓ-ਅਧਾਰਿਤ (V-PCC) ਅਤੇ ਜਿਓਮੈਟਰੀ-ਅਧਾਰਿਤ (G-PCC) [J]। ਸਿਗਨਲ ਅਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ APSIPA ਲੈਣ-ਦੇਣ, 2020, 9(1): e13. DOI: 10.1017/atsip.2020.12
10. HUANG Y, PENG JL, KUO CJ, et al. ਪੁਆਇੰਟ-ਆਧਾਰਿਤ ਗ੍ਰਾਫਿਕਸ 'ਤੇ ਔਕਟਰੀ-ਅਧਾਰਿਤ ਪ੍ਰਗਤੀਸ਼ੀਲ ਜਿਓਮੈਟਰੀ ਕੋਡਿੰਗ [C]//ਦ ਤੀਸਰੀ ਯੂਰੋਗ੍ਰਾਫਿਕਸ/IEEE VGTC ਕਾਨਫਰੰਸ। IEEE, 3: 2016–103
11. FAN YX, HUANG Y, PENG J L. ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਲੜੀਵਾਰ ਪੁਆਇੰਟ ਕਲੱਸਟਰਿੰਗ [C]//ਏਸ਼ੀਆ-ਪੈਸੀਫਿਕ ਸਿਗਨਲ ਅਤੇ ਸੂਚਨਾ ਪ੍ਰੋਸੈਸਿੰਗ ਐਸੋਸੀਏਸ਼ਨ ਸਾਲਾਨਾ ਸੰਮੇਲਨ ਅਤੇ ਕਾਨਫਰੰਸ 'ਤੇ ਆਧਾਰਿਤ ਹੈ। IEEE, 2014: 1 – 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. ਜਿਓਮੈਟਰੀ-ਅਧਾਰਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੋਡਿੰਗ [C]//ਮਲਟੀਮੀਡੀਆ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ (MMSP) 'ਤੇ 21ਵੀਂ ਇੰਟਰਨੈਸ਼ਨਲ ਵਰਕਸ਼ਾਪ ਲਈ ਅਨੁਕੂਲ ਬਹੁ-ਪੱਧਰੀ ਤਿਕੋਣ ਸੂਪ। IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, et al. ਆਕਾਰ ਪੈਟਰਨ ਵਿਸ਼ਲੇਸ਼ਣ [J] 'ਤੇ ਅਧਾਰਤ ਪੁਆਇੰਟ ਸੈਟ ਸਤਹ ਕੰਪਰੈਸ਼ਨ। ਮਲਟੀਮੀਡੀਆ ਟੂਲ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ, 2017, 76(20): 20545–20565। DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al. ਡਿਗਰੀ ਇੱਕ [J] ਦੇ ਬਹੁਪਦ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਤਿੰਨ-ਅਯਾਮੀ ਬਿੰਦੂ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਅਤੇ ਡੀਕੰਪ੍ਰੇਸ਼ਨ। ਸਮਰੂਪਤਾ, 2019, 11(2): 209. DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX, et al. ਕਲੱਸਟਰਿੰਗ [J] 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਨਾਵਲ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ। IEEE ਰੋਬੋਟਿਕਸ ਅਤੇ ਆਟੋਮੇਸ਼ਨ ਅੱਖਰ, 2019, 4(2): 2132–2139। DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. ਗ੍ਰਾਫ-ਅਧਾਰਿਤ ਸਥਿਰ 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੋਡਿੰਗ [J]। ਮਲਟੀਮੀਡੀਆ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2019, 21(2): 284–299। DOI: 10.1109/TMM.2018.2859591
17. ISO। ਜਿਓਮੈਟਰੀ-ਅਧਾਰਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ (G-PCC): ISO/IEC 23090-9 [S]। 2021
18. DRICOT A, ASCENSO J. ਹਾਈਬ੍ਰਿਡ ਆਕਟਰੀ-ਪਲੇਨ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੋਡਿੰਗ [C]//27ਵੀਂ ਯੂਰਪੀਅਨ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਕਾਨਫਰੰਸ (EUSIPCO)। IEEE, 2019: 1-5
19. ZHANG X, GAO W, LIU S. ਬਿੰਦੂ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ [C]//2020 ਡੇਟਾ ਕੰਪਰੈਸ਼ਨ ਕਾਨਫਰੰਸ (DCC) ਦੀ ਕਾਰਵਾਈ ਲਈ ਸੰਪੂਰਨ ਜਿਓਮੈਟਰੀ ਭਾਗ। IEEE, 2020: 73–82। DOI: 10.1109/DCC47342.2020.00015
20. QUACH M, VALENZISE G, DUFAUX F. ਨੁਕਸਾਨਦੇਹ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ [C]//ਦਿ 2019 IEEE ਇੰਟਰਨੈਸ਼ਨਲ ਕਾਨਫਰੰਸ ਆਨ ਇਮੇਜ ਪ੍ਰੋਸੈਸਿੰਗ (ICIP) ਲਈ ਕਨਵੋਲਿਊਸ਼ਨਲ ਟਰਾਂਸਫਾਰਮ ਸਿੱਖਣਾ। IEEE, 2019: 4320– 4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਔਨ ਡੂੰਘੀ ਸਿਖਲਾਈ [C]//ਮਲਟੀਮੀਡੀਆ 'ਤੇ 27ਵੀਂ ACM ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ। ACM, 2019: 890–898। DOI: 10.1145/3343031.3351061
22. Guarda AFR, RODRIGUES NMM, PEREIRA F. ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੋਡਿੰਗ: ਇੱਕ ਡੂੰਘੀ ਸਿੱਖਣ-ਆਧਾਰਿਤ ਪਹੁੰਚ ਨੂੰ ਅਪਣਾਉਣਾ [C]//ਪਿਕਚਰ ਕੋਡਿੰਗ ਸਿੰਪੋਜ਼ੀਅਮ (PCS)। IEEE, 2020: 1-5। DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z, et al. ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ [EB/OL] ਸਿੱਖਿਆ। [2023-09-01]। https://arxiv.org/abs/1909.12037.pdf
24. ਆਈਨਾਲਾ ਕੇ, ਮੇਕੁਰੀਆ ਆਰ.ਐਨ., ਖਠਰੀਆ ਬੀ, ਆਦਿ। ਪਲੇਨ ਪ੍ਰੋਜੇਕਸ਼ਨ ਐਪ⁃ ਪ੍ਰਾਕਸੀਮੇਸ਼ਨ [C]//SPIE ਆਪਟੀਕਲ ਇੰਜਨੀਅਰਿੰਗ+ਐਪਲੀਕੇਸ਼ਨਜ਼ ਦੇ ਨਾਲ ਔਕਟਰੀ-ਅਧਾਰਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ ਲਈ ਇੱਕ ਸੁਧਾਰੀ ਹੋਈ ਐਨਹਾਂਸਮੈਂਟ ਲੇਅਰ। SPIE, 2016: 223– 231. DOI: 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKUR-SEVOM V, et al. ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਵੀਡੀਓ ਡੇਟਾ ਦੀ 2D ਵੀਡੀਓ ਕੋਡਿੰਗ [C]//ਪਿਕਚਰ ਕੋਡਿੰਗ ਸਿੰਪੋਜ਼ੀਅਮ (PCS)। IEEE, 2018: 61–65। DOI: 10.1109/PCS.2018.8456265
26. ਫਾਕੌਰ ਸੇਵੋਮ ਵੀ, ਸ਼ਵਾਰਜ਼ ਐਸ, ਗੈਬਬੂਜ ਐਮ. ਪ੍ਰੋਜੇਕਸ਼ਨ-ਅਧਾਰਿਤ ਡਾਇਨਾਮਿਕ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੋਡਿੰਗ [ਸੀ]//ਵਿਜ਼ੂਅਲ ਇਨਫਰਮੇਸ਼ਨ ਪ੍ਰੋਸੈਸਿੰਗ (ਈਯੂਵੀਆਈਪੀ) 'ਤੇ 3ਵੀਂ ਯੂਰਪੀਅਨ ਵਰਕਸ਼ਾਪ ਲਈ ਜਿਓਮੈਟਰੀ-ਨਿਰਦੇਸ਼ਿਤ 7D ਡੇਟਾ ਇੰਟਰਪੋਲੇਸ਼ਨ। IEEE, 2019: 1-6. DOI: 0.1109/EUVIP.2018.8611760
27. ਕਥਾਰੀਆ ਬੀ, LI L, LI Z, et al. ਅੰਤਰ-ਮੁਆਵਜ਼ਾ ਅਤੇ ਯਾਤਰਾ ਕਰਨ ਵਾਲੇ ਸੇਲਜ਼ਮੈਨ ਪੂਰਵ-ਅਨੁਮਾਨ [C]// ਡੇਟਾ ਕੰਪਰੈਸ਼ਨ ਕਾਨਫਰੰਸ ਦੇ ਨਾਲ ਘਾਟ ਰਹਿਤ ਗਤੀਸ਼ੀਲ ਬਿੰਦੂ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ। IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO। ਵਿਜ਼ੂਅਲ ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਵੀਡੀਓ-ਅਧਾਰਿਤ ਕੋਡਿੰਗ (V3C) ਅਤੇ ਵੀਡੀਓ-ਅਧਾਰਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ: ISO/IEC 23090-5 [S]। 2021
29. ਪਾਰਕ ਜੇ, ਲੀ ਜੇ, ਪਾਰਕ ਐਸ, ਆਦਿ। 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ [J] ਲਈ ਪ੍ਰੋਜੈਕਸ਼ਨ-ਅਧਾਰਿਤ ਆਕੂਪੈਂਸੀ ਮੈਪ ਕੋਡਿੰਗ। ਸਮਾਰਟ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਕੰਪਿਊਟਿੰਗ 'ਤੇ IEIE ਲੈਣ-ਦੇਣ, 2020, 9(4): 293–297। DOI: 10.5573/ieiespc.2020.9.4.293
30. ਕੋਸਟਾ ਏ, ਡਰੀਕੋਟ ਏ, ਬ੍ਰਾਈਟਸ ਸੀ, ਏਟ ਅਲ। MPEG V-PCC ਸਟੈਂਡਰਡ [C]//IEEE 21ਵੀਂ ਇੰਟਰਨੈਸ਼ਨਲ ਵਰਕਸ਼ਾਪ ਆਨ ਮਲਟੀਮੀਡੀਆ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ (MMSP) ਲਈ ਬਿਹਤਰ ਪੈਚ ਪੈਕਿੰਗ। IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901690
31. ਕੇਮਰਲ ਜੇ, ਬਲੋਡੋ ਐਨ, ਰੁਸੂ ਆਰਬੀ, ਆਦਿ। ਰੋਬੋਟਿਕਸ ਅਤੇ ਆਟੋਮੇਸ਼ਨ 'ਤੇ 2012 ਆਈਈਈਈ ਇੰਟਰਨੈਸ਼ਨਲ ਕਾਨਫਰੰਸ ਦੀ ਪੁਆਇੰਟ ਕਲਾਉਡ ਸਟ੍ਰੀਮਜ਼ [ਸੀ]//ਪ੍ਰੋਸੀਡਿੰਗਜ਼ ਦੀ ਰੀਅਲ-ਟਾਈਮ ਕੰਪਰੈਸ਼ਨ। IEEE, 2012: 778 – 785. DOI: 10.1109/ ICRA.2012.6224647
32. ਪੀ.ਸੀ.ਐਲ. ਪੁਆਇੰਟ ਕਲਾਉਡ ਲਾਇਬ੍ਰੇਰੀ। [EB/OL]। [2023-09-01]। http://pointclouds.org/
33. THANOU D, CHOU PA, FROSSARD P. ਗਤੀਸ਼ੀਲ 3D ਪੁਆਇੰਟ ਕਲਾਉਡ ਕ੍ਰਮ [J] ਦਾ ਗ੍ਰਾਫ-ਅਧਾਰਿਤ ਕੰਪਰੈਸ਼ਨ। ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2016, 25(4): 1765–1778। DOI: 10.1109/TIP.2016.2529506
34. LI L, LI Z, ZAKHARCHENKO V, et al. ਵੀਡੀਓ-ਅਧਾਰਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕੰਪਰੈਸ਼ਨ [C]//ਡਾਟਾ ਕੰਪਰੈਸ਼ਨ ਕਾਨਫਰੰਸ (DCC) ਲਈ ਉੱਨਤ 3D ਮੋਸ਼ਨ ਪੂਰਵ ਅਨੁਮਾਨ। IEEE, 2019: 498–507। DOI: 10.1109/DCC.2019.00058
    ZHAO LL, MA KK, LIN XH, et al. ਦੋ-ਦਿਸ਼ਾਵੀ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਰੇਂਜ-ਅਡੈਪਟਿਵ ਫਲੋਟਿੰਗ-ਪੁਆਇੰਟ ਕੋਡਿੰਗ [J] ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਰੀਅਲ-ਟਾਈਮ LiDAR ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ। ਪ੍ਰਸਾਰਣ 'ਤੇ IEEE ਲੈਣ-ਦੇਣ, 2022, 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP, LIU D, LI HQ, et al. M-LVC: ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਪੈਟਰਨ ਪਛਾਣ 'ਤੇ ਸਿੱਖੇ ਗਏ ਵੀਡੀਓ ਕੰਪਰੈਸ਼ਨ [C]//IEEE/CVF ਕਾਨਫਰੰਸ ਲਈ ਮਲਟੀਪਲ ਫਰੇਮਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ। IEEE, 2020: 3543 – 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. YANG R, MENTZER F, VAN GOOL L, et al. ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਪੈਟਰਨ ਪਛਾਣ 'ਤੇ ਲੜੀਵਾਰ ਗੁਣਵੱਤਾ ਅਤੇ ਆਵਰਤੀ ਸੁਧਾਰ [C]//IEEE/CVF ਕਾਨਫਰੰਸ ਦੇ ਨਾਲ ਵੀਡੀਓ ਕੰਪਰੈਸ਼ਨ ਲਈ ਸਿੱਖਣਾ। IEEE, 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. ਕ੍ਰਮ ਅਨੁਕੂਲਿਤ CNN ਮਾਡਲਾਂ [J] ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੁਆਇੰਟ ਕਲਾਉਡ ਕ੍ਰਮਾਂ ਦੀ ਘਾਟ ਰਹਿਤ ਸੰਕੁਚਨ। IEEE ਪਹੁੰਚ, 2022, 10: 83678 –83691। DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. ਓਰੀਐਂਟਿਡ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਅਤੇ ਫ੍ਰੀ-ਫਾਰਮ ਸਤਹ [J] ਦੀ 5-ਧੁਰੀ ਮਸ਼ੀਨਿੰਗ ਵਿੱਚ ਔਕਟਰੀ-ਅਧਾਰਿਤ ਗਲੋਬਲ ਇੰਟਰਫਰੈਂਸ ਡਿਟੈਕਸ਼ਨ। ਕੰਪਿਊਟਰ ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਡਿਜ਼ਾਈਨ, 2004, 36(13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM, et al. MPEG ਪੁਆਇੰਟ ਕਲਾਉਡ ਕੰਪਰੈਸ਼ਨ [J] ਵਿੱਚ ਰੇਟ-ਡਿਸਟੋਰਸ਼ਨ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਇੱਕ ਵਿਆਪਕ ਅਧਿਐਨ। ਸਿਗਨਲ ਅਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ APSIPA ਲੈਣ-ਦੇਣ, 2019, 8: e27। doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. ਡਾਇਡਿਕ ਸੜਨ [J] ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬਿੰਦੂ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਦੀ ਇੰਟਰਾ-ਫ੍ਰੇਮ ਕੰਪਰੈਸ਼ਨ। IEEE ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਲੈਟਰਸ, 2020, 27: 246–250। DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. ਸਿਲੂਏਟ 4D ਸੰਦਰਭ ਚੋਣ ਦੇ ਨਾਲ: ਗਤੀਸ਼ੀਲ ਬਿੰਦੂ ਕਲਾਉਡਸ [J] ਦੀ ਘਾਟ ਰਹਿਤ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ। IEEE ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਲੈਟਰਸ, 2021, 28: 1660 – 1664. DOI: 10.1109/ lsp.2021.3102525
42. ISO। G-PCC ਦਸਤਾਵੇਜ਼ N00106 ਲਈ ਆਮ ਟੈਸਟ ਸ਼ਰਤਾਂ: ISO/IEC JTC 1/ SC 29/WG 7 MPEG [S]। 2021

ਜੀਵਨੀਆਂ

• ZHANG Huiran ਉਸਨੇ 2020 ਅਤੇ 2023 ਵਿੱਚ ਕ੍ਰਮਵਾਰ XNUMX ਅਤੇ XNUMX ਵਿੱਚ ਵੁਹਾਨ ਯੂਨੀਵਰਸਿਟੀ, ਚੀਨ ਤੋਂ, ਸਰਵੇਖਣ ਮੈਪਿੰਗ ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਵਿੱਚ ਸਕੂਲ ਆਫ਼ ਜੀਓਡੀਸੀ ਅਤੇ ਜਿਓਮੈਟਿਕਸ ਅਤੇ ਸਟੇਟ ਕੀ ਲੈਬਾਰਟਰੀ ਆਫ਼ ਇਨਫਰਮੇਸ਼ਨ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ BE ਅਤੇ ME ਡਿਗਰੀਆਂ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ। ਉਹ ਵਰਤਮਾਨ ਵਿੱਚ ਗੁਆਂਗਜ਼ੂ ਸ਼ਹਿਰੀ ਯੋਜਨਾ ਅਤੇ ਡਿਜ਼ਾਈਨ ਸਰਵੇਖਣ ਖੋਜ ਸੰਸਥਾ, ਚੀਨ ਦੀ ਸਰਵੇਖਣਕਰਤਾ ਹੈ। ਉਸਦੇ ਖੋਜ ਹਿੱਤਾਂ ਵਿੱਚ ਪੁਆਇੰਟ ਕਲਾਉਡ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਕੰਪਰੈਸ਼ਨ ਸ਼ਾਮਲ ਹਨ। ਉਸਨੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਦੇ ਖੇਤਰ ਨਾਲ ਸਬੰਧਤ ਕਈ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਹਿੱਸਾ ਲਿਆ ਅਤੇ ਵੁਹਾਨ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਜਿਓਮੈਟਿਕਸ ਅਤੇ ਸੂਚਨਾ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ।
• ਡੋਂਗ ਜ਼ੇਨ (dongzhenwhu@whu.edu.cn) ਨੇ ਕ੍ਰਮਵਾਰ 2011 ਅਤੇ 2018 ਵਿੱਚ ਵੁਹਾਨ ਯੂਨੀਵਰਸਿਟੀ, ਚੀਨ ਤੋਂ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਅਤੇ ਫੋਟੋਗਰਾਮੈਟਰੀ ਵਿੱਚ BE ਅਤੇ PhD ਡਿਗਰੀਆਂ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ। ਉਹ ਸਰਵੇਖਣ, ਮੈਪਿੰਗ ਅਤੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ (LIESMARS), ਵੁਹਾਨ ਯੂਨੀਵਰਸਿਟੀ ਵਿੱਚ ਸੂਚਨਾ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਸਟੇਟ ਕੀ ਲੈਬਾਰਟਰੀ ਵਿੱਚ ਇੱਕ ਪ੍ਰੋਫੈਸਰ ਹੈ। ਉਸ ਦੀਆਂ ਖੋਜ ਹਿੱਤਾਂ ਵਿੱਚ 3D ਪੁਨਰ ਨਿਰਮਾਣ, ਦ੍ਰਿਸ਼ ਸਮਝ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਨਾਲ-ਨਾਲ ਬੁੱਧੀਮਾਨ ਆਵਾਜਾਈ ਪ੍ਰਣਾਲੀ, ਡਿਜੀਟਲ ਜੁੜਵੇਂ ਸ਼ਹਿਰਾਂ, ਸ਼ਹਿਰੀ ਸਥਾਈ ਵਿਕਾਸ ਅਤੇ ਰੋਬੋਟਿਕਸ ਵਿੱਚ ਉਹਨਾਂ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਸ਼ਾਮਲ ਹਨ। ਉਸਨੇ ਵੱਖ-ਵੱਖ ਰਾਸ਼ਟਰੀ ਅਤੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਮੁਕਾਬਲਿਆਂ ਤੋਂ 10 ਤੋਂ ਵੱਧ ਸਨਮਾਨ ਪ੍ਰਾਪਤ ਕੀਤੇ ਅਤੇ ਵੱਖ-ਵੱਖ ਰਸਾਲਿਆਂ ਅਤੇ ਕਾਨਫਰੰਸਾਂ ਵਿੱਚ ਲਗਭਗ 60 ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ।
  ਵੈਂਗ ਮਿੰਗਸ਼ੇਂਗ ਉਸਨੇ 2001 ਵਿੱਚ ਜਿਲਿਨ ਯੂਨੀਵਰਸਿਟੀ, ਚੀਨ ਤੋਂ ਕਾਲਜ ਆਫ਼ ਕੰਪਿਊਟਰ ਸਾਇੰਸ ਐਂਡ ਟੈਕਨਾਲੋਜੀ ਵਿੱਚ ਆਪਣੀ ਬੀ.ਈ. ਦੀ ਡਿਗਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ, ਅਤੇ 2004 ਵਿੱਚ ਸਾਊਥ ਚਾਈਨਾ ਯੂਨੀਵਰਸਿਟੀ ਆਫ਼ ਟੈਕਨਾਲੋਜੀ, ਚੀਨ ਤੋਂ ਸਕੂਲ ਆਫ਼ ਕੰਪਿਊਟਰ ਸਾਇੰਸ ਅਤੇ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ ME ਦੀ ਡਿਗਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ। ਉਹ ਵਰਤਮਾਨ ਵਿੱਚ ਗੁਆਂਗਜ਼ੂ ਸ਼ਹਿਰੀ ਯੋਜਨਾ ਦੇ ਨਾਲ ਇੱਕ ਸੀਨੀਅਰ ਇੰਜੀਨੀਅਰ ਹੈ ਅਤੇ ਡਿਜ਼ਾਈਨ ਸਰਵੇ ਰਿਸਰਚ ਇੰਸਟੀਚਿਊਟ, ਚੀਨ। ਉਸ ਦੀਆਂ ਖੋਜ ਰੁਚੀਆਂ ਵਿੱਚ ਕੰਪਿਊਟਰ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਸੌਫਟਵੇਅਰ, ਫਿਜ਼ੀਓਗ੍ਰਾਫੀ, ਅਤੇ ਸਰਵੇਖਣ ਸ਼ਾਮਲ ਹਨ। ਉਸਨੇ ਵੱਖ-ਵੱਖ ਰਾਸ਼ਟਰੀ ਮੁਕਾਬਲਿਆਂ ਵਿੱਚੋਂ 20 ਤੋਂ ਵੱਧ ਸਨਮਾਨ ਪ੍ਰਾਪਤ ਕੀਤੇ ਅਤੇ ਵੱਖ-ਵੱਖ ਰਸਾਲਿਆਂ ਅਤੇ ਕਾਨਫਰੰਸਾਂ ਵਿੱਚ ਲਗਭਗ 50 ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ।

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, 8 ਨਵੰਬਰ, 2023 ਨੂੰ ਆਨਲਾਈਨ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ
ਖਰੜਾ ਪ੍ਰਾਪਤ ਹੋਇਆ: 2023-09-11

ਦਸਤਾਵੇਜ਼ / ਸਰੋਤ

ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ZTE ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ [pdf] ਯੂਜ਼ਰ ਗਾਈਡ ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਗਾਈਡਡ ਐਲਗੋਰਿਦਮ, ਗਾਈਡਡ, ਘਾਟ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਐਲਗੋਰਿਦਮ, ਨੁਕਸਾਨ ਰਹਿਤ ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ, ਪੁਆਇੰਟ ਕਲਾਉਡ ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ, ਜਿਓਮੈਟਰੀ ਕੰਪਰੈਸ਼ਨ

ਹਵਾਲੇ

• ਯੂਜ਼ਰ ਮੈਨੂਅਲ