ZTE Guided Algorithm for Lossless Point Cloud جاميٽري ڪمپريشن

وضاحتون:

• پيداوار جو نالو: اسپيٽيو-ٽيمپورل ڪنٽينسٽ-گائيڊڊ الگورٿم لاءِ لازلي پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن
• ليکڪ: ژانگ هوئران، ڊانگ زين، وانگ منگ شنگ
• شايع ٿيل: ڊسمبر 2023
• DOI: 10.12142/ZTECOM.202304003

پيداوار جي استعمال جون هدايتون

تعارف:
پراڊڪٽ ڊزائين ڪلائوڊ ڊيٽا کي موثر طريقي سان ڪمپيس ڪرڻ لاءِ ٺاهيو ويو آهي، اسٽوريج اسپيس جي گنجائش ۽ نيٽ ورڪ ٽرانسميشن بينڊوڊٿ سان لاڳاپيل چئلينجن کي منهن ڏيڻ.

مکيه خاصيتون:

1. اڳڪٿي واري موڊ انٽرا فريم ۽ انٽر فريم پوائنٽ ڪلائوڊس تي لاڳو ٿئي ٿو وڌايل سفري سيلزمين جو مسئلو استعمال ڪندي.
2. موثر امڪاني حساب ڪتاب ۽ ڪمپريشن نتيجن لاءِ فاسٽ حوالن جي اپڊيٽ سان موافقت وارو رياضياتي انڪوڊر.

استعمال جا مرحلا:

قدم 1: ورهايو پوائنٽ بادل
مکيه محور سان گڏ يونٽ جي تہن ۾ پوائنٽ بادل کي ورهايو.

مرحلا 2: ڊيزائن جي اڳڪٿي واري موڊ
ٽريولنگ ​​سيلز مين الگورٿم استعمال ڪندي اڳڪٿي واري موڊ ٺاھيو ته جيئن مقامي ۽ وقتي بيڪارن جو فائدو وٺن.

قدم 3: انڪوڊ بقايا
ڪمپريشن لاءِ context-adaptive arithmetic encoder استعمال ڪندي بٽ اسٽريمز ۾ بقايا لکو.

اڪثر سوال:

• عبرت: هن پيداوار کي استعمال ڪرڻ جا اهم فائدا ڇا آهن؟
  A: پراڊڪٽ پوائنٽ ڪلائوڊ ڊيٽا جي موثر ڪمپريشن کي قابل بنائي ٿو، بهتر ڪمپريشن نتيجن لاءِ مقامي ۽ عارضي لاڳاپن کي استعمال ڪندي.
• عبرت: ڇا هي پراڊڪٽ ٻنهي سنگل فريم ۽ ملٽي فريم پوائنٽ بادل کي سنڀاليندو؟
  A: ها، اڳڪٿي واري موڊ ٻنهي انٽرا فريم ۽ انٽر فريم پوائنٽ ڪلائوڊز تي لاڳو ٿئي ٿي، ورسٽائل استعمال جي منظرنامي جي اجازت ڏئي ٿي.

ژانگ هوئران، ڊانگ زين، وانگ منگ شنگ

1. گوانگزو شهري منصوبه بندي ۽ ڊيزائن سروي ريسرچ انسٽيٽيوٽ، گوانگزو 510060، چين؛
2. شهري سينسنگ لاءِ گوانگڊونگ انٽرپرائز ڪيئي ليبارٽري، مانيٽرنگ ۽ ارلي وارننگ، گوانگزو 510060، چين؛
3. سروينگ ميپ⁃ پنگ ۽ ريموٽ سينسنگ ۾ انفارميشن انجنيئرنگ جي اسٽيٽ ڪيئي ليبارٽري، ووهان يونيورسٽي، ووهان 430079، چين)

خلاصو: پوائنٽ ڪلائوڊ ڪمپريشن جسماني دنيا جي 3D نمائندگي کي ترتيب ڏيڻ لاءِ نازڪ آهي جهڙوڪ 3D immersive telepresence، خودمختيار ڊرائيونگ، ۽ ثقافتي هيريtage تحفظ. بهرحال، پوائنٽ ڪلائوڊ ڊيٽا غير منظم ۽ غير معمولي طور تي مقامي ۽ عارضي ڊومينز ۾ ورهايو ويندو آهي، جتي 3D اسپيس ۾ بيڪار غير قبضو ويڪسيل ۽ ڪمزور رابطي کي موثر ڪمپريشن حاصل ڪرڻ هڪ مشڪل مسئلو بڻائي ٿو. هن مقالي ۾، اسان تجويز ڪريون ٿا هڪ spatio-temporal context-guideed algorithm for lossless point cloud geometry compression. تجويز ڪيل اسڪيم نقطي بادل کي ورهائڻ سان شروع ٿئي ٿي يونٽ جي ٿلهي جي سڀ کان ڊگھي محور سان سلائس ٿيل تہن ۾. ان کان پوء، اهو هڪ پيشنگوئي جو طريقو متعارف ڪرايو آهي جتي ٻئي انٽرا فريم ۽ انٽر فريم پوائنٽ بادل موجود آهن، ڀرپاسي جي پرتن جي وچ ۾ رابطي کي طئي ڪندي ۽ سفر ڪندڙ سيلزمين الورورٿم استعمال ڪندي مختصر رستي جو اندازو لڳائي ٿو. آخرڪار، ڪجھ اڳڪٿيون بقايا موثر طريقي سان ٺھيل آھن بھترين حوالي سان ھدايت ڪندڙ ۽ موافق فاسٽ موڊ رياضي ڪوڊنگ ٽيڪنالاجي سان. تجربا ثابت ڪن ٿا ته تجويز ڪيل طريقو مؤثر طريقي سان پوائنٽ ڪلائوڊ جاميٽري معلومات جي گھٽ بٽ ريٽ نقصان جي بغير ڪمپريشن حاصل ڪري سگهي ٿو، ۽ 3D پوائنٽ ڪلائوڊ ڪمپريشن لاءِ مناسب آهي مختلف قسم جي منظرن تي لاڳو ٿئي ٿو.
لفظ: پوائنٽ ڪلاؤڊ جاميٽري کمپريشن؛ سنگل فريم پوائنٽ بادل؛ گھڻن فريم پوائنٽ بادل؛ اڳڪٿي ڪندڙ ڪوڊنگ؛ رياضياتي ڪوڊنگ.

حوالو (فارميٽ 1): ZHANG HR، DONG Z، WANG M S. Spatio-temporal context-guided algorithm for lossless point Cloud جاميٽري ڪمپريشن [J]. ZTE ڪميونيڪيشن، 2023، 21(4): 17-28. DOI: 10.12142/ZTECOM.202304003
حوالو (فارميٽ 2): HR Zhang, Z. Dong, and MS Wang, “Spatio-temporal context-guided algorithm for lossless point cloud geometry compression,” ZTE Communications, vol. 21، نمبر. 4، پي پي. 17-28، ڊسمبر 2023. doi: 10.12142/ZTECOM.202304003.

 

تعارف

ملٽي پليٽ فارم ۽ ملٽي ريزوليوشن حاصل ڪرڻ واري سامان جي ڪارڪردگي جي بهتري سان، لائيٽ ڊڪٽيشن ۽ رينجنگ (LiDAR) ٽيڪنالاجي کي 3D شين يا منظرن کي وڏي پئماني تي پوائنٽ سيٽ سان گڏ ڪري سگھي ٿو. روايتي ملٽي ميڊيا ڊيٽا جي مقابلي ۾، پوائنٽ ڪلائوڊ ڊيٽا وڌيڪ جسماني ماپ جي معلومات تي مشتمل آهي جيڪا مفت مان شين جي نمائندگي ڪري ٿي viewپوائنٽس، جيتوڻيڪ منظر پيچيده ٽوپيولوجيڪل ڍانچي سان. اهو نتيجو مضبوط انٽرايڪٽو ۽ عمدي اثرات ۾ آڻيندو آهي جيڪي صارفين کي هڪ وشد ۽ حقيقي بصري تجربو مهيا ڪن ٿا. اضافي طور تي، پوائنٽ ڪلائوڊ ڊيٽا کي مضبوط مخالف شور جي صلاحيت ۽ متوازي پروسيسنگ جي صلاحيت آهي، جنهن مان لڳي ٿو ته صنعت ۽ اڪيڊميريا کان ڪشش حاصل ڪئي آهي، خاص طور تي ايپليڪيشن ڊومينز جهڙوڪ ثقافتي هيري لاء.tagاي پرزرويشن، 3D immersive telepresence ۽ خودڪار ڊرائيونگ[1-2].
بهرحال، پوائنٽ ڪلائوڊ ڊيٽا عام طور تي مقامي ڊومينز ۾ لکين کان اربين پوائنٽن تي مشتمل آهي، اسٽوريج جي گنجائش ۽ نيٽ ورڪ ٽرانسميشن بينڊوڊٿ تي بوجھ ۽ چئلينج آڻيندي. مثال طور، تفريح لاءِ استعمال ٿيل هڪ عام متحرڪ پوائنٽ ڪلاؤڊ عام طور تي تقريباً هڪ ملين پوائنٽس في فريم تي مشتمل هوندو آهي، جيڪو 30 فريم في سيڪنڊ تي، 3.6 Gbit/s جي ڪل بينڊوڊٿ جي برابر هوندو آهي جيڪڏهن ان کي دٻجي ڇڏيو وڃي[3]. تنهن ڪري، نقطي بادل لاء اعلي ڪارڪردگي جاميٽري کمپريشن الگورتھم تي تحقيق اهم نظرياتي ۽ عملي قدر آهي.
اڳئين ڪم هن مسئلي کي سڌو سنئون گرڊ تعمير ڪرڻ يا آن ڊيمانڊ ڊائون-s ذريعي حل ڪيوampling، ڪمپيوٽر جي ڪمپيوٽنگ پاور ۽ پوائنٽ ڪلائوڊ گڏ ڪرڻ جي ڪارڪردگي ۾ حدن جي ڪري، جنهن جي نتيجي ۾ گهٽ اسپيٽيو-وقتي ڪمپريشن ڪارڪردگي ۽ جاميٽري خاصيت خاصيت جي معلومات جي نقصان جي نتيجي ۾. تازو مطالعو بنيادي طور تي ڪمپيوٽر گرافڪس ۽ ڊجيٽل سگنل پروسيسنگ ٽيڪنالاجي تي ٻڌل هئا بلاڪ آپريشنز تي-پوائنٽ ڪلائوڊ ڊيٽا کي لاڳو ڪرڻ لاءِ[4 5] يا گڏيل وڊيو ڪوڊنگ ٽيڪنالاجي[6 7] بهتر ڪرڻ لاءِ. 2017 ۾، موونگ پکچر ايڪسپرٽس گروپ (MPEG) پوائنٽ ڪلائوڊ ڪمپريشن لاءِ تجويزون طلب ڪيون ۽ بعد ۾ بحث مباحثو ڪيو ته ان قسم جي ڊيٽا کي ڪيئن دٻايو وڃي. پوائنٽ ڪلاؤڊ ڪمپريشن جي وڌندڙ طريقن سان دستياب ۽ پيش ڪيل، ٻه پوائنٽ ڪلائوڊ ڊيٽا ڪمپريشن فريم ورڪ- TMC13 ۽ TMC2 2018 ۾ جاري ڪيا ويا. مٿي ڄاڻايل تحقيق ڏيکاري ٿي ته پوائنٽ ڪلائوڊ جي ڪمپريشن ٽيڪنالاجي ۾ قابل ذڪر ترقي ڪئي وئي آهي. جيتوڻيڪ، اڳوڻو ڪم گهڻو ڪري پوائنٽ ڪلائوڊز جي مقامي ۽ عارضي لاڳاپن سان الڳ الڳ طور تي ڊيل ڪيو ويو آهي پر اڃا تائين انهن جي مڪمل صلاحيت کي پوائنٽ ڪلائوڊ ڪمپريشن ۾ استعمال نه ڪيو ويو آهي.
مٿي بيان ڪيل چيلنجز کي منهن ڏيڻ لاءِ، اسان متعارف ڪرايون ٿا هڪ اسپيٽيو-وقتي حوالي سان رهنمائي وارو طريقو نقصان واري پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن لاءِ. اسان پھريون پوائنٽ بادلن کي ورهايو يونٽ جي تہن ۾ مکيه محور سان. اسان پوءِ سفري سيلزمين الگورٿم ذريعي پيش گوئي واري موڊ کي ترتيب ڏيون ٿا، spatiotemporal correlation کي اختيار ڪندي. آخرڪار، باقي بچيل بٽ اسٽريمز ۾ لکيا ويا آھن استعمال ٿيل context-adaptive arithmetic encoder سان. اسان جا مکيه ڀاڱا هن ريت آهن.
1) اسان ڊزائين ڪريون ٿا- هڪ اڳڪٿي وارو موڊ جيڪو ٻنهي انٽرا فريم ۽ انٽر فريم پوائنٽ ڪلائوڊ تي لاڳو ٿئي ٿو، وڌايل سفري سيلزمين مسئلو (TSP) ذريعي. پوائنٽ ڪلاؤڊز جي مقامي ۽ وقتي بيڪار ٻنهي کي استعمال ڪندي، جاميٽري اڳڪٿي ڪري سگهي ٿي فضائي رابطي جو بهتر استعمال ۽ ان ڪري مختلف قسمن جي منظرنامي کي فعال ڪري ٿي.
2) اسان پيش ڪريون ٿا هڪ adaptive رياضي واري انڪوڊر سان گڏ فاسٽ ڪن-ٽيڪسٽ اپ ڊيٽ، جيڪو چونڊي ٿو بهترين 3D حوالي سان لاڳاپيل لغت مان، ۽ انٽراپي تخميني جي واڌ کي دٻائي ٿو. نتيجي طور، اهو اينٽروپي انڪوڊرز جي امڪاني حساب ڪتاب جي ڪارڪردگي کي وڌائي ٿو ۽ اهم ڪمپريشن نتيجا حاصل ڪري ٿو.
هن مقالي جو باقي حصو هن ريت ترتيب ڏنو ويو آهي. سيڪشن 2 پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن تي لاڳاپيل ڪم جو خاڪو ڏئي ٿو. سيڪشن 3 پهريون ڀيرو هڪ اوور پيش ڪري ٿوview تجويز ڪيل فريم ورڪ جي. ان کان پوء، تجويز ڪيل طريقو تفصيل سان بيان ڪيو ويو آهي. تجرباتي نتيجا ۽ نتيجا ترتيبوار سيڪشن 4 ۽ 5 ۾ پيش ڪيا ويا آهن.

لاڳاپيل ڪم

اتي ڪيترائي نقطا بادل جاميٽري کمپريشن الگورٿم پيش ڪيا ويا آهن ادب ۾. CAO et al. [8] ۽ GRAZIOSI et al. [9] تحقيق ڪريو ۽ موجوده نقطي ڪلاؤڊ ڪمپريشن طريقن جو خلاصو، مقامي طول و عرض کمپريشن ٽيڪنالاجي ۽ MPEG معيار سازي فريم ورڪ تي ڌيان ڏيڻ. اسان هڪ مختصر جواب ڏيوview ٻن قسمن ۾ تازيون ترقيون: سنگل فريم پوائنٽ ڪلائوڊ ڪمپريشن ۽ ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن.

1. سنگل فريم پوائنٽ ڪلائوڊ ڪمپريشن
   سنگل فريم پوائنٽ بادل وڏي پيماني تي انجنيئرنگ سروي، ثقافتي هيري ۾ استعمال ڪيا ويا آهنtagاي تحفظ، جاگرافيائي معلومات سسٽم، ۽ ٻيا منظرنامو. octree هڪ وڏي پيماني تي استعمال ٿيل ڊيٽا جو ڍانچو آهي جيڪو موثر انداز ۾ پوائنٽ ڪلائوڊز جي نمائندگي ڪري ٿو، جنهن کي قبضي واري نوڊس ذريعي معلومات کي رڪارڊ ڪندي دٻائي سگهجي ٿو. HUANG et al[10] octree-based طريقه پيش ڪريو جيڪو بار بار پوائنٽ ڪلائوڊ کي نوڊس ۾ ذيلي تقسيم ڪري ٿو انهن جي پوزيشن سان هر يونٽ جي جاميٽري مرڪز طرفان نمائندگي ڪئي وئي آهي. FAN et al[11] ھن طريقي کي وڌيڪ بھتر ڪري ڪلستر تجزيي کي متعارف ڪرائڻ لاءِ تفصيل جي سطح (LOD) جي درجي بندي کي ٺاھيو ۽ ان کي پھرين آرڊر ۾ انڪوڊنگ ڪري. تنهن هوندي به، اهي طريقا تحريف سبب ڪري سگهن ٿا اصل ماڊل جي لڳ ڀڳ جي ڀيٽ ۾ عمل دوران.
   انهن حدن کي منهن ڏيڻ لاءِ، عالمن جاميٽري ساخت جون خاصيتون متعارف ڪرايون آهن، جهڙوڪ- ٽڪنڊي سطح جو ماڊل[12]، پلانر مٿاڇري جو ماڊل[13 14]، ۽ ڪلسترنگ الگورٿم[15]، بين پرت جي اڳڪٿي ۽ بقايا حسابن لاءِ. . RENTE et al[16] ترقي پسند پرت واري ڪمپريشن جو هڪ تصور پيش ڪيو جيڪو پهريون ڀيرو آڪٽري ڍانچي کي استعمال ڪري ٿو coarse-grained Encoding لاءِ ۽ پوءِ استعمال ڪري گراف فورئر ٽرانسفارم لاءِ ڪمپريشن ۽ ڪلائوڊ تفصيلن جي ٻيهر تعمير لاءِ. 2019 ۾، MPEG جاميٽري تي ٻڌل پوائنٽ ڪلائوڊ ڪمپريشن (G-PCC) ٽيڪنالاجي ٻنهي جامد ۽ متحرڪ نقطي بادلن لاءِ جاري ڪئي، جنهن کي ڪوآرڊينيٽ ٽرانسفارميشن، ووڪسيلائيزيشن، جاميٽري ڍانچي جي تجزيي، ۽ رياضي واري ڪوڊنگ جي قدم سان لاڳو ڪيو ويو آهي[17].
   جيئن ته هڪ آڪٽري اندر ڪجهه آڪٽنٽ گهٽ آبادي يا اڃا به خالي ٿي سگهن ٿا، ڪجهه طريقا تجويز ڪيا ويا آهن وڻ جي جوڙجڪ کي بهتر ڪرڻ لاءِ ذيلي نوڊس کي ڇنڊڇاڻ ڪري ۽ ان ڪري ميموري مختص کي محفوظ ڪيو وڃي. مثال طورample، DRICOT et al. [18] اسپارسيٽي تجزيي جي اڳواٽ بيان ڪيل شرطن جي بنياد تي آڪٽري ورهاڱي کي ختم ڪرڻ لاءِ هڪ inferred سڌو ڪوڊنگ موڊ (IDCM) تجويز ڪيو، جنهن ۾ چائلڊ نوڊس لاءِ مختص ڪيل بِٽس کي بچائڻ لاءِ آڪٽري ڍانچي جي ڇنڊڇاڻ شامل آهي. ZHANG et al. [19] صلاح ڏيو ته پوائنٽ ڪلائوڊ اسپيس کي پرنسپل اجزاء سان گڏ ذيلي تقسيم ڪيو وڃي ۽ بائنري ٽري، ڪواڊٽري ۽ آڪٽري مان ورهاڱي جو طريقو اختيار ڪيو وڃي. روايتي octree ورهاڱي جي مقابلي ۾، مٿي ذڪر ڪيل هائبرڊ ماڊل موثر انداز ۾ استعمال ٿيل بٽس جو تعداد گھٽائي سگھن ٿا اسپارس پوائنٽس کي ظاھر ڪرڻ لاءِ، ان ڪري محفوظ ڪيل نوڊس جن کي انڪوڊ ڪرڻ جي ضرورت آھي. بهرحال، پيچيده هائپرپراميٽر جي حالتون ۽ موڊ جي تعين جي عمل ۾ گهربل آهي، ان کي خود موافقت ۽ گهٽ پيچيدگي جي ضرورتن کي پورو ڪرڻ ڏکيو بڻائي ٿو.
   گہرے اعصابي نيٽ ورڪن سان گڏ تصوير ۽ وڊيو ڪمپريشن ۾ اهم قدم کڻڻ، محققن کي وڌيڪ اڳواٽ رهنمائي ڪرڻ ۽ ڪمپريشن جي عمل دوران لڪير واري خلائي اظهار جي بيڪارگي کي استعمال ڪندي بٽ جي شرحن کي وڌيڪ گهٽائڻ جا طريقا ڳوليا آهن. QUACH et al[20] ۽ هوانگ وغيره. [21] تجويز ڪيل طريقا جيڪي انهن تصورن کي شامل ڪن ٿا. GUARDA et al. ڪنوولوشنل نيورل نيٽ ورڪ ۽ آٽو اينڪوڊرز کي گڏ ڪريو ويجھي پوائنٽن جي وچ ۾ بيڪارگي جو استحصال ڪرڻ ۽ ريف ۾ ڪوڊنگ جي موافقت کي وڌائڻ لاءِ. [22]. تازو، WANG et al. [23] متغير آٽو-انڪوڊر جي بنياد تي هڪ پوائنٽ ڪلائوڊ ڪمپريشن جو طريقو پيش ڪيو، جيڪو هائپرپريئر کي سکڻ ۽ رياضي ڪوڊنگ جي ميموري استعمال کي گهٽائڻ سان ڪمپريشن تناسب کي بهتر بڻائي ٿو. مٿي بيان ڪيل طريقا نيورل نيٽ ورڪ انڪوڊرز استعمال ڪن ٿا پوائنٽ ڪلائوڊ جي اعليٰ ترتيب واري لڪيل ویکٹر کي پڪڙڻ لاءِ، اينٽراپي ماڊل امڪانيات، ۽ ڪنارن جا امڪان جيڪي بهتر ٿين ٿا، ان ڪري رياضي جي ڪوڊنگ جي ميموري استعمال کي گھٽائي ٿي. عام طور تي ڳالهائڻ، سنگل فريم پوائنٽ بادل جاميٽري کمپريشن تي تحقيق نسبتا بالغ آهي، پر اتي ٻه چئلينج آهن جيڪي اڃا تائين رهجي ويا آهن. مقامي باهمي لاڳاپن کي مؤثر طريقي سان استعمال نه ڪيو ويو آهي، ۽ اڪثر طريقا پوائنٽ ڪلائوڊ ڊيٽا جي باهمي تعلق کي مڪمل ۽ موثر طريقي سان ڪوڊ نٿا ڪن. ان کان علاوه، اينٽراپي ڪوڊنگ لاءِ امڪاني ماڊل جو ڳڻپ ڊگھو ۽ مشڪل نظر اچي ٿو، ڇاڪاڻ ته حوالن جي وڏي تعداد جي ڪري.
2. ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن
   ملٽي فريم پوائنٽ بادل عام طور تي منظرنامي ۾ استعمال ٿيندا آهن جيئن ته حقيقي وقت ۾ 3D عمدي ٽيلي پريزنس، انٽرويو VR، 3D مفت viewپوائنٽ براڊڪاسٽنگ ۽ خودڪار ڊرائيونگ. سنگل فريم پوائنٽ ڪلائوڊ ڪمپريشن جي برعڪس، ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن کي ترجيح ڏئي ٿو استعمال وقت جي لاڳاپن سان گڏو گڏ حرڪت جي تخميني ۽ معاوضي کي. ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن لاءِ موجوده طريقن کي ٻن ڀاڱن ۾ ورهائي سگھجي ٿو: 2D پروجئشن ۽ 3D سجاڳي.
   تصوير ۽ وڊيو ڪمپريشن جو ميدان وسيع آهي ۽ گذريل ڪجهه ڏهاڪن کان چڱي طرح دريافت ڪيو ويو آهي. مختلف الگورتھم پوائنٽ ڪلاؤڊز کي تصويرن ۾ تبديل ڪن ٿا ۽ پوءِ انھن کي سڌو سنئون FFmpeg ۽ H. 265 انڪوڊرز، وغيره ذريعي دٻائيندا آھن. AINALA et al[24] ھڪ پلانر پروجيڪشن لڳ ڀڳ اين-ڪوڊنگ موڊ متعارف ڪرايو آھي جيڪو جهاز تي راسٽر اسڪيننگ ذريعي جاميٽري ۽ رنگ جي خاصيتن کي انڪوڊ ڪري ٿو. . بهرحال، هي طريقو نقشي سازي جي عمل دوران ٽارگيٽ جي شڪل ۾ تبديلين جو سبب بڻائيندو آهي، صحيح بين الاقوامي اڳڪٿي ڪرڻ ڏکيو آهي. تنهن ڪري، SCHWARZ et al. [25] ۽ SEVOM et al. [26] گھميل پلانر پروجئشن، ڪعبي پروجئشن، ۽ پيچ تي ٻڌل پروجئشن جا طريقا تجويز ڪريو پوائنٽ بادلن کي 2D وڊيوز ۾ تبديل ڪرڻ لاءِ، ترتيب سان. ويجھي تصويرن ۾ ساڳئي جڳھ تي ويجھي فريم ۾ ساڳئي پروجيڪٽ کي رکڻ سان، وڊيو ڪمپريسر مڪمل طور تي عارضي رابطي کي ختم ڪري سگھي ٿو. Ref ۾. [27]، انٽر-جيوميٽري جي اڳڪٿي TSP ذريعي ڪئي ويندي آهي، جيڪا ويجھي اوسط قدر سان بلاڪ جي ڳولها ڪندي ڀرپاسي واري انٽرا بلاڪ جي هڪ کان هڪ خطي کي حساب ڪري ٿي. MPEG 2019 ۾ متحرڪ پوائنٽ ڪلائوڊس لاءِ وڊيو بيسڊ پوائنٽ ڪلائوڊ ڪمپريشن (V-PCC) ٽيڪنالاجي جاري ڪئي[28]. هي فريم ورڪ ان پٽ پوائنٽ ڪلائوڊ کي ننڍڙن بلاڪن ۾ ورهائي ٿو ساڳين نارمل ویکٹرز ۽ لڳاتار اسپيس سان، پوءِ انهن کي ڪيوبز ذريعي پلانر مٿاڇري تي بدلائي ٿو ته جيئن قبضي واري تصوير ۽ معاون معلومات کي رڪارڊ ڪيو وڃي. سڀني نتيجن واريون تصويرون بالغ وڊيو ڪوڊيڪس پاران ٺهيل آهن، ۽ سڀئي بٽ اسٽريم هڪ واحد آئوٽ ۾ گڏ ڪيا ويا آهن. file. انهن طريقن جي اثرائتي کي بهتر ڪرڻ لاء ٻيون ڪوششون ڪيون ويون آهن. COSTA et al. [29] پيڪنگنگ الگورٿم، ڊيٽا پيڪنگنگ لنڪس، لاڳاپيل ترتيب ڏيڻ، ۽ پوزيشن جي اشارن لاء اصلاح جي نقطي نظر کان ڪيترن ئي نئين پيچ پيڪنگنگ حڪمت عملي جو استحصال ڪريو. ان کان علاوه PARK et al. [30] ڊيٽا جي موافقت واري پيڪنگ جو طريقو ٺاهيو جيڪو وي-پي سي سي اسٽريم جي ڪارڪردگي کي متاثر ڪرڻ کان سواءِ ساخت جي هڪجهڙائي جي مطابق هڪ ئي گروپ ۾ ڀرپاسي واري فريم کي ترتيب ڏئي ٿو. پوائنٽ ڪلائوڊ پروجئشن جي ڪري ناگزير معلومات جي نقصان جي ڪري، عالمن 3D اسپيس جي بنياد تي موشن معاوضي واري ٽيڪنالاجي استعمال ڪندي لڳاتار فريم جي پوائنٽ ڪلائوڊ تسلسل کي دٻائڻ لاءِ موثر ٽيڪنالاجيون تيار ڪيون آهن. ڪيمرل وغيره. [31] آڪٽري جي بنياد تي جاميٽري انڪوڊنگ جو طريقو پيش ڪريو، جيڪو ڀرپاسي واري فريم جي وچ ۾ خاص OR (XOR) فرق کي انجام ڏيڻ سان اعلي ڪمپريشن ڪارڪردگي حاصل ڪري ٿو. اهو طريقو نه رڳو مشهور پوائنٽ ڪلائوڊ لائبريري (PCL)[32] ۾ اختيار ڪيو ويو آهي پر وڌيڪ الورورٿم ريسرچ لاءِ پڻ استعمال ڪيو ويو آهي. ٻيا انٽر فريم طريقا 3D موشن جي تخميني واري مسئلي کي خصوصيت جي ميلاپ واري مسئلي ۾ تبديل ڪن ٿا[33] يا وري تعمير ٿيل جاميٽري معلومات کي استعمال ڪن ٿا[34] موشن ويڪٽرن جي اڳڪٿي ڪرڻ ۽ ويجھي فريم جي وچ ۾ لاڳاپيل تعلق کي صحيح طور تي سڃاڻڻ لاءِ. تازو ڌماڪي وارو مطالعو[35 36] ڏيکاريو ويو آهي ته سکيا وڊيو ڪمپريشن روايتي ماڻهن جي ڀيٽ ۾ بهتر شرح-تحريف ڪارڪردگي پيش ڪري ٿي، ڪلائوڊ کمپريشن کي پوائنٽ ڪرڻ لاء اهم حوالن جي اهميت آڻيندي. ZHAO et al[37] بين فريم جي اڳڪٿي ڪرڻ لاءِ ٻه طرفي بين فريم پيشنگوئي نيٽ ورڪ متعارف ڪرايو ۽ لاڳاپيل معلومات جو مؤثر استعمال مقامي ۽ عارضي طول و عرض ۾ آڻڻ لاءِ. KAYA et al. [38] ڊنس پوائنٽ ڪلائوڊ سيڪيونس جي جاميٽري خاصيتن کي انڪوڊنگ ڪرڻ لاءِ نئون پيراڊم ٺاهيو، انڪوڊنگ ڊسٽريبيوشن جو اندازو لڳائڻ لاءِ CNN کي بهتر ڪرڻ لاءِ ڊينس پوائنٽ ڪلائوڊس جي نقصان کان سواءِ ڪمپريشن کي محسوس ڪرڻ لاءِ.
   ملٽي فريم پوائنٽ ڪلائوڊ ماڊلز جي ڪمپريشن ڪوڊنگ ٽيڪنالاجي ۾ ترقي جي باوجود، ٻه مسئلا جاري آهن. موجوده ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن جا طريقا خاص طور تي وڊيو ڪوڊنگ ۽ موشن معاوضي تي ڀاڙين ٿا، جنهن ۾ ناگزير طور تي معلومات جي نقصان يا تحريف شامل آهي جيڪا ميپنگ ۽ بلاڪ ايج جي وقفي جي ڪري ٿي. ان کان علاوه، اڳڪٿي ڪندڙ ڪوڊنگ انٽر فريم پوائنٽ ڪلائوڊ جاميٽري جي غير مطابقت جي ڪري گهٽ قابل اطلاق ڏيکاري ٿو. فريم ۽ ناگزير شور جي وچ ۾ پوائنٽن جو ظاهري آفسيٽ انٽر فريم ڪمپريشن ۾ اڳڪٿي ڪندڙ ڪوڊنگ کي مؤثر طريقي سان استعمال ڪرڻ جي مشڪل کي وڌائي ٿو.

تجويز ڪيل اسپيٽيو-وقتي حوالي سان ھدايت ٿيل نقصان کان سواء جاميٽري پوائنٽ ڪلاؤڊ ڪمپريشن طريقو

مٿانview
اسان جي spatio-temporal context-guideed algorithm جي مجموعي پائپ لائن تصوير 1 ۾ ڏيکاريل آهي. پهريون، اسان ان پٽ پوائنٽ ڪلائوڊ کي اڳي پروسيس ڪريون ٿا ويڪسيلائيزيشن ۽ اسڪيل ٽرانسفارميشن کي لاڳو ڪندي. ان کان پوء، نقطي بادل کي يونٽ-ٿلهي سلائسن تہن ۾ مکيه محور سان ورهايو ويو آهي. اڳيون، اسان هڪ اڳڪٿي واري موڊ کي ٺاهيون ٿا جيڪو مڪمل طور تي استعمال ڪري ٿو عارضي ۽ مقامي رابطي جي معلومات ٻنهي اندر فريم ۽ انٽر فريم اندر. اسان ٽريول سيلزمين الگورٿمز ذريعي پوائنٽس آف ريفرنس ليئرز (R-layers) جو مختصر ترين رستو ڳڻيو ٿا، ۽ R-layers جي نتيجن کي پوءِ استعمال ڪيو ويندو آھي اسپيٽيو temporally اڳڪٿي ڪرڻ ۽ باقي پوائنٽ بادلن کي انڪوڊ ڪرڻ لاءِ، يعني اڳڪٿي ڪيل پرت (P-layers) ). آخرڪار، سڌريل اينٽراپي ڪوڊنگ الگورٿمز کي اختيار ڪيو ويو آھي ڪمپريس ٿيل بائنري حاصل ڪرڻ لاءِ file.

تصويري سلائسن جي بنياد تي هيئرارڪل ڊويزن

1. اڳواٽ پروسيسنگ
   پري پروسيسنگ ماڊل ۾ ووڪسيلائيزيشن ۽ اسڪيل ٽرانسفارميشن شامل آهن، هر خاص نقطي جي بهتر انڊيڪسنگ لاءِ. ووڪسيلائيزيشن ۾، اسان خلا کي ورهائيندا آهيون سائيز N جي ڪعب ۾، جيڪو نقطي بادل جي حقيقي ريزوليوشن سان ملندو آهي. هر پوائنٽ کي ان جي پوزيشن جي بنياد تي هڪ منفرد ووڪسيل لڳايو ويو آهي. هڪ ووڪسيل 1 طور رڪارڊ ڪيو ويو آهي؛ جيڪڏھن اھو مثبت طور تي قبضو ڪيو ويو آھي، اھو آھي 0 ٻي صورت ۾. اسڪيل ٽرانسفارميشن پوائنٽ ڪلائوڊ کي زوم آئوٽ ڪندي بهتر ڪمپريشن لاءِ اسپارسيٽي کي گھٽائي سگھي ٿي، جتي پوائنٽس جي وچ ۾ فاصلو ننڍو ٿئي ٿو. اسان پوائنٽ ڪلائوڊ ڪوآرڊينيٽس (x، y، z) کي اسڪيلنگ فيڪٽر استعمال ڪندي مجموعا ڪريون ٿا، يعني،
   نقصان جي بغير ڪمپريشن کي يقيني بڻائڻ لاءِ، اسان کي پڪ ڪرڻ جي ضرورت آهي ته اسڪيلنگ فيڪٽر s جاميٽري نقصان جو سبب نه ٿو بڻجي سگهي ۽ هيڊر ۾ ٻيهر ڪوڊ ڪرڻ جي ضرورت آهي. file.
2. پرت جي تقسيم
   هي ماڊل 3D پوائنٽ ڪلائوڊ کي ان جي هڪ محور سان ورهائڻ سان ڪم ڪري ٿو، ڪيترن ئي يونٽ جي سلائس ٿيل پرت کي قبضو ڪيل ۽ غير قبضي واري معلومات سان ٺاهي ٿو، جيڪو اڳڪٿي ڪندڙ انڪوڊر ۽ هڪ رياضي ڪوڊر استعمال ڪندي وڌيڪ دٻائي سگهجي ٿو. فنڪشن جي وضاحت ڪئي وئي آهي:
   جتي G ان پٽ پوائنٽ ڪلائوڊ ڪوآرڊينيٽ ميٽرڪس ڏانهن اشارو ڪري ٿو، محور چونڊيل طول و عرض ڏانهن اشارو ڪري ٿو، ۽ S (a، b) 2D سلائس آهي جيڪو هر پرت طرفان ڪڍيو ويو آهي. عام طور تي، اسان وڏي تعداد ۾ ٽيسٽ جي ترتيبن تي تجربا ڪندا آهيون، ۽ نتيجن مان معلوم ٿئي ٿو ته پوائنٽ ڪلائوڊ اسپيشل ويريشن جي سڀ کان ڊگھي محور تي ورهائڻ سان گھٽ ۾ گھٽ بٽرٽ حاصل ٿئي ٿي، يعني
3. گھٽ ۾ گھٽ بائونڊنگ باڪس ڪڍڻ
   اڪثر ڪيسن ۾، تي قبضو ٿيل ويڪسز عام طور تي ناگزير هوندا آهن ۽ گهڻو ڪري قبضو ٿيل ويڪسلز کان وڌيڪ. نتيجي طور، پروسيسنگ ۽ انڪوڊنگ ٻنهي قسمن جي ويڪسيلن کي گڏ ڪرڻ سان گڏ ڪمپريشن الگورٿم جي ڪمپيوٽيشنل پيچيدگي ۽ انڪوڊنگ جي رفتار تي بوجھ. تنهن ڪري، اسان هر سلائس ٿيل پرت لاءِ گهٽ ۾ گهٽ بائونڊنگ باڪس کي ڳڻڻ لاءِ اورينٽيڊ بائونڊنگ باڪس (OBB) [39] کي اختيار ڪريون ٿا، انهي ڳالهه کي يقيني بڻائڻ ته بائونڊنگ باڪس جون هدايتون پرت ۾ هڪجهڙائي رکندڙ آهن. ايندڙ پروسيسنگ ۾، محدود مستطيل اندر واقع صرف ويڪسيل دٻايو ويندو آهي.

مقامي حوالي سان رهنمائي ڪندڙ اڳڪٿي واري انڪوڊنگ

مقامي حوالي سان رهنمائي ڪندڙ اڳڪٿي واري انڪوڊنگ جو مقصد سڀني پوائنٽن جي پرت کي پرت ذريعي انڪوڊ ڪرڻ آهي. TSP کان متاثر ٿي، اسان هر سلائس ٿيل پرت جي اندر امڪاني آرڊر ۽ باهمي تعلق کي ڳولڻ لاءِ اڳڪٿي واري موڊ کي ٺاهيون ٿا. هي ماڊل ورهاڱي تي مشتمل آهي ۽ ننڍو رستو حساب ڪتاب.
سڀ کان پهريان، اسان ڪٽيل پرت کي ورهايو ۽ هر گروپ لاء آر-پرت ۽ آر-پرت جو اندازو لڳايو. اسان پوائنٽ ڪلائوڊ پرت کي پرت ذريعي منتخب ٿيل محور سان گڏ ڪريون ٿا. جڏهن ويجھي پرتن جي وچ ۾ گھٽ ۾ گھٽ بائونڊنگ باڪس جي مکيه طرف جي ڊيگهه هڪ مخصوص يونٽ جي ڊيگهه جي لحاظ کان مختلف آهي، اهو ساڳيو گروپ جي طور تي رڪارڊ ڪيو ويندو آهي. ٻي صورت ۾، اهو استعمال ڪيو ويندو آهي ريفرنس پرت جي طور تي ايندڙ گروپ، ۽ هر پوائنٽ ڪلائوڊ هيٺ ڏنل گروپ ۾ ساڳيو ننڍڙو رستو استعمال ڪري ٿو. هن مقالي ۾، اسان هر گروپ جي پهرين پرت کي آر-پرت، ۽ ٻين کي P-پرت طور مقرر ڪيو. اسان پڻ وڏي تعداد ۾ ٽيسٽ سيونس تي تجربا ڪريون ٿا ۽ بهترين ڪمپريشن حاصل ڪرڻ لاءِ هن مخصوص پيراميٽر کي 3 يونٽن جي طور تي ترتيب ڏيڻ جي صلاح ڏيون ٿا.
ان کان پوء، اسان R-layers تي ننڍو رستو حساب ڪتاب ۽ رانديگرن جي باقيات کي رڪارڊ ڪندا آهيون. هر سلائس پرت جي پوائنٽ بادل جي تقسيم جي ضابطي جي مطابق، اسان TSP الگورتھم جي بنياد تي هر سلائس پرت لاء غير منظم پوائنٽ بادل کي بهتر طور تي ترتيب ڏيون ٿا. هي اسان کي اجازت ڏئي ٿو ته موثر طريقي سان R-پرتن جي پوائنٽ ڪلاؤڊ تائين مختصر ترين رستو حساب ڪري، ۽ پوءِ لاڳاپيل اڳڪٿي واري پرت جي بقايا کي رڪارڊ ڪري. الورورٿم 1 ڏيکاري ٿو pseudo-code جي اڳڪٿي جي طريقيڪار.

پهرين، اسان مقامي علائقي ۾ پوائنٽن جي وچ ۾ فاصلي جي حساب ڪتاب جي اصول کي بيان ڪريون ٿا ۽ بي ترتيب طور تي چونڊيل پوائنٽ pc1 سان رستي جي حالت کي شروع ڪريون ٿا. هر ورهاڱي ۾، جڏهن به هڪ نئون نقطو pci شامل ڪيو ويندو آهي، اجازت کي متحرڪ طور تي رياستي منتقلي مساوات واري رستي (P - i، i) ذريعي اپڊيٽ ڪيو ويندو آهي جيستائين سڀ شامل ڪيل نقطا P ۾ رڪارڊ ڪيا وڃن مختصر ترين رستي جي ترتيب ۾. اهو عمل تدريجي طور تي گهٽ ۾ گهٽ فاصلي جي معيار جي بنياد تي تبديل ڪيو ويو آهي. سڀ کان پوءِ مڪمل ٿيڻ کان پوءِ تمام مختصر رستي ۾، اسان حساب ڪريون ٿا منٽ dist(pci، pcj ) هر هڪ R-layers ۾، ۽ R-layers مان هر هڪ ۾ پوائنٽ ڪلائوڊس جو ننڍو رستو رڪارڊ ٽيبل واپس ڪريو. وڌيڪ ڪمپريشن لاءِ، اسان ساڳئي گروهه ۾ R-پرت جي ننڍڙي رستي کان P-پرت جي انحراف کي ڳڻيو ۽ انهن کي اڳڪٿي ڪندڙ بقايا طور رڪارڊ ڪيو. آخرڪار، ريلير جو ننڍو رستو ۽ هر گروهه جا باقي بچيل نڪتا آهن ۽ اڳڪٿي جي بقايا کي وڌيڪ دٻائڻ لاءِ اينٽراپي انڪوڊر ڏانهن منتقل ڪيا ويندا آهن.

Spatio-Temporal Context-Guided Predictive Encoding
مقامي حوالي سان رهنمائي ڪندڙ اڳڪٿي واري موڊ کي انڪوڊ ڪري ٿو
اڪيلو فريم پوائنٽ بادل انفرادي طور تي. جڏهن ته، هر هڪ فريم پوائنٽ ڪلائوڊ تي الڳ الڳ اسپيشل انڪوڊنگ لاڳو ڪرڻ سان ملٽي فريم پوائنٽ ڪلائوڊ ۾ عارضي باهمي لاڳاپن پاران ظاهر ڪيل موقعن کي وڃائي سگهجي ٿو. انهي ڳالهه تي غور ڪندي ته ملٽي فريم پوائنٽ ڪلائوڊ اوورليپ جي وڏي حصي کي حصيداري ڪري ٿو، اسان ڪمپريشن ڪارڪردگي کي وڌيڪ وڌائڻ لاء عارضي بيڪار استعمال ڪرڻ تي ڌيان ڏين ٿا. ان ڪري، تجويز ڪيل فضائي حوالي سان ھدايت ڪيل اڳڪٿي واري موڊ جي بنياد تي، اسان فريم جي ڀرپاسي وارين تہن جي وچ ۾ رابطي جي سڃاڻپ ڪندي ملٽي فريم پوائنٽ ڪلائوڊ کي دٻائي سگھون ٿا.

1. انٽر فريم ورهاڱي
   انٽر فريم پيشنگوئي واري موڊ جي اثرائتي کي وڌائڻ لاءِ، فريم جي ڀرپاسي وارين تہن جي وچ ۾ مناسب هڪجهڙائي کي يقيني بڻائڻ انتهائي ضروري آهي. نتيجي طور، اسان کي ويجھي فريم جي وچ ۾ گروپن کي ورهائڻ جي ضرورت آھي ۽ فريم جي وچ ۾ R-layers ۽ P-layers جو تعين ڪرڻ گھرجي. R-layers جي مختصر ترين رستي جي بنياد تي P-layers جي مختصر ترين رستي جو اندازو لڳائڻ سان، اسان اڳڪٿين جي باقيات کي رڪارڊ ڪريون ٿا ۽ ان کي وڌيڪ انٽراپي انڪوڊر ذريعي دٻايو. الورورٿم 2 ڏيکاري ٿو انٽر فريم ورهاڱي جو pseudocode.
   سلائسڊ ليئرز جي اورينٽيشن الائنمينٽ جي بنياد تي، اسان سمجهون ٿا ته ٿلهي ورهاڱي ۽ سٺي ورهاڱي کي ڪاميابي سان. ٿلهي ورهاڱي لاءِ، اسان هر فريم جي سلائس ٿيل پرتن کي ترتيب ڏيون ٿا همراهن جي بنياد تي جيڪو ڊويزن جي محور سان لاڳاپيل آهي، ننڍي کان وڏي تائين. نتيجي طور، هر فريم جي هر سلائس پرت ۾ هڪ منفرد پرت نمبر هوندو آهي، جيڪو اسان کي اجازت ڏئي ٿو ته سلائس جي پرت کي ساڳئي نمبر سان ڀرپاسي واري فريم جي وچ ۾. ان کان پوء، اسان ساڳئي نمبر سان ڀرپاسي جي تہن جي گھٽ ۾ گھٽ بائونڊنگ باڪس جي اصل محور جي ڊيگهه جي وچ ۾ فرق کي ڳڻيندا آهيون. جيڪڏهن اها قيمت هڪ مخصوص ڊگھائي يونٽ کان گهٽ يا برابر آهي، تہ تہ ساڳي گروپ ۾ ورھايا ويندا. ٻي صورت ۾، اسان ويجھي فريم جي لاڳاپيل پرت ۾ گھٽ ۾ گھٽ بائونڊنگ باڪس جي مکيه طرفي محور جي ڊيگهه ۾ فرق کي ويجھي فريم ۾ نمبر کان اڳ ۽ بعد ۾ مخصوص پرت سان موازنہ ڪريون ٿا. ننڍي فرق سان پرت وري ساڳي گروپ ۾ ورھايل آھي. هي ڀرپاسي وارين تہن جي وچ ۾ هڪ سٺي ورهاڱي کي يقيني بڻائي ٿو، ۽ جيئن ته ڀرسان تعلق جي سٺي ورهاڱي کي محسوس ڪرڻ لاء.
2. Spatio-temporal context-guideed prediction mode
   ورهاڱي جي بنياد تي، اسان سيڪشن 3.3 ۾ بيان ڪيل اڳڪٿي واري طريقي کي لاڳو ۽ وڌايو. اسان پروسيس ۾ انٽر فريم جي حوالي سان شامل ڪريون ٿا، مطلب ته هر گروپ جي پهرين پرت، جيڪا R-پرت جي طور تي ڪم ڪري ٿي، شايد ضروري طور تي بهترين پيش گوئي جو نتيجو نه ڏئي. ويجھي پرتن جي وچ ۾ امڪاني رابطي کي مڪمل طور تي ڳولڻ لاءِ، اسان کي بھترين اڳڪٿي واري موڊ کي بي نقاب ڪرڻ جي ضرورت آھي.
   سڀ کان پهريان، اسان موجوده گروپ ۾ هر سلائسڊ-پرت لاء اڳڪٿي جي بقايا جو ڳڻپ ڪريون ٿا جڏهن R-پرت طور استعمال ڪيو وڃي. سڀني صورتن ۾ اڳڪٿي جي بقايا جي مقابلي ڪرڻ سان، اسان R-پرت کي سڀ کان ننڍي مطلق بقايا قيمت سان بهترين پيشنگوئي واري موڊ طور چونڊيو ٿا. R-layer جي مختصر ترين رستي جي حساب سان، اسان R-layers جي مختصر ترين رستي کي ڳڻڻ لاءِ سفر ڪندڙ سيلزمين الگورتھم استعمال ڪريون ٿا بھترين اڳڪٿي واري موڊ ۾. ان کان علاوه، اسان هر گروهه لاءِ اڳڪٿي جي بقايا کي انهن جي لاڳاپيل بهترين پيشنگوئي جي طريقن جي تحت ڳڻپ ڪريون ٿا. اسان ايندڙ پروسيسنگ ۾ وڌيڪ ڪمپريشن لاءِ هر گروپ جي قبضي جي ڊيگهه ۽ آر-پرت جي معلومات کي پڻ رڪارڊ ڪندا آهيون. فالو اپ آپريشن ۾، اسين استعمال ڪريون ٿا رياضي واري ڪوڊنگ جي بنياد تي مٿين معلومات لاءِ بھترين حوالي سان چونڊيل ملٽي فريم پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن الگورٿم جي پوري عمل کي مڪمل ڪرڻ لاءِ.

آريٿميٽڪ ڪوڊنگ جي بنياد تي ڪنٽيڪسٽ ڊڪشنري
پوائنٽ ڪلاؤڊ ۾ وڏي مقدار جي حوالي سان خاص طور تي مجموعي ڪمپريشن اسڪيم کي رياضي ڪوڊنگ جي لحاظ کان ڪمپيوٽيشنل پيچيدگي جي لحاظ کان تمام گهڻو بار آهي. اسان هيٺين ٻن ماڊلز مان رياضي جي ڪوڊنگ کي بهتر بڻايون ٿا. 1) اسان هڪ حوالو ڊڪشنري قائم ڪريون ٿا، ۽ انٽراپي تخميني جي مطابق عالمي بهترين قيمت کي چونڊيو ۽ اپڊيٽ ڪيو، ۽ پوءِ 2) اسان امڪانن جي مٿين ۽ هيٺين حدن کي موثر انداز ۾ ڳڻڻ لاءِ adaptive encoders کي اختيار ڪريون ٿا.

1. اصطلاحي لغت جي تعمير
2. اسان هڪ حوالي سان ڊڪشنري ٺاهيندا آهيون جيڪا ٽنهي قطار جي نمائندگي ڪري ٿي، جنهن ۾ هر سلائس ٿيل پرت تي پوائنٽ ڪلائوڊ جي ڪوآرڊينيٽس ۽ ان سان لاڳاپيل غير خالي حوالن جي انٽيجر نمائندگي شامل آهي. ان ڪري، اسان پوائنٽ ڪلائوڊ ۾ موجود ووڪسلز کي هر پرت جي گهٽ ۾ گهٽ بائونڊنگ باڪس سان ان جي غير خالي حوالن سان ڳنڍيندا آهيون. اصطلاحي ڊڪشنري جي ٽنهي قطار واري صف جي تعمير کي واضح طور تي واضح ڪرڻ لاءِ، اسان تصوير 2 ۾ هڪ سمجهه واري وضاحت ڏيون ٿا. تصوير 2 ۾ ڇانيل ٻن چوڪن لاءِ، صرف حوالن جي نقشي جي پوزيشن pc1 ۽ pc2 تي غور ڪيو وڃي ٿو. x-axis ۽ y-axis سان لاڳاپيل ڀاڱيداري ٻن قطارن ۾ رڪارڊ ٿيل آهي QX - ۽ QY - ترتيب سان. اهڙيءَ طرح سان لاڳاپيل لغت QX - ۽ QY - تي مشتمل آهي. ساڳئي همراهڪن سان قطار عناصر کي ٽنهي ۾ ضم ڪيو ويو آهي، جنهن جي حوالي سان انٽيجر جي نمائندگي ضم ٿيل ٽرپلٽ جي حوالي سان تعاون جي مجموعن جي طور تي ڪم ڪيو ويندو آهي.
   تنهن ڪري، هر ويڪسيل جي حوالي سان ان جي حوالي سان ڊڪشنري ۾ قبضي واري ويڪسيل جي آزاد تعاون جي رقم جي طور تي شمار ڪري سگهجي ٿو. هي ڍانچو اهو طئي ڪرڻ ۾ مدد ڪري ٿو ته ڇا هڪ ويڪسيل کي شامل ڪيو وڃي سياق و سباق جي لغت ۾ بغير ڪنهن ڏکوئيندڙ ميٽرڪس لوڪ اپ، جنهن جي نتيجي ۾ ڪمپيوٽيشنل پيچيدگي ۽ رن ٽائم ۾ اهم گهٽتائي.
3. امڪاني حساب
   اينٽراپي جي امڪان کي ڳڻڻ لاءِ، تسلسل جي ڊگھائي ۽ ان جي جزوي ويڪسلز جي حوالي سان حساب ۾ ورتو وڃي. هن ماڊل ۾، اسان هڪ انڪوڊ انڪوڊر ٺاهيندا آهيون جيڪو پهريون ڀيرو هر گروپ لاءِ مٿين ۽ هيٺين مجموعي امڪاني حدن جو اندازو لڳائي ٿو سياق و سباق جي لغت مان، ۽ پوءِ ان کي بعد ۾ انڪوڊ ڪري ٿو. سڀ کان پهريان، اسان مارڪوف زنجير جي ماڊل تي ٻڌل هڪ بائنري وڻ ٺاهيو. voxels جي قبضي کي ڇڪڻ سان، اسان 1 ۽ 0 جي قيمتن کي ترتيب ڏيون ٿا قبضو ٿيل ۽ خالي ويڪسيلن کي، ترتيب سان، ۽ احتساب جي حساب سان وڻ جي جوڙجڪ جي بنياد تي. روٽ نوڊ کان شروع ڪندي، جڏهن هڪ ووڪسيل قبضو ڪيو ويندو آهي، اسان کاٻي ٻار جي نوڊ کي 1 طور رڪارڊ ڪندا آهيون. ٻي صورت ۾، اسان ساڄي چائلڊ نوڊ کي 0 جي طور تي نشان لڳايو ۽ فيصلو ۽ تقسيم جي ايندڙ قدم ڏانهن وڌو. ڳڻپيوڪر فارمولا قبضي واري ويڪسلز جي هلڻ جي امڪان لاءِ Eq ۾ ڳولهي سگهجي ٿو. (4).

رن جي ڊگھائي لاءِ n کان گھٽ يا ان جي برابر، اتي ٿي سگھي ٿو 2n ٽري نوڊس جيڪي ووڪسلز جي قبضي واري حالت کي ظاھر ڪن. تنهن ڪري، ڪنهن به قبضي واري ويڪسيل جو امڪان سڀني رياستن کي پار ڪرڻ جي آزاد گڏيل امڪان جي نمائندگي ڪري ٿو روٽ کان شروع ٿئي ٿو ۽ وڻ جي ڪنهن به بي اولاد نوڊ تي ختم ٿئي ٿو. Eq جي بنياد تي. (4)، voxel تسلسل جي قبضي تي رياضياتي انڪوڊنگ کي انجام ڏيڻ لاء، اسان کي ترتيب جي مجموعي مٿين ۽ هيٺين امڪانن جي ضرورت آهي، جيئن Eq ۾ ڏيکاريل آهي. (5).

هن طريقي کي استعمال ڪندي، اسان رياضي ڪوڊنگ جي موافقت واري ملڪيت کي استعمال ڪري سگھون ٿا هر علامت جي امڪاني اندازي جي قيمت کي ترتيب ڏيڻ لاءِ بهتر ڪيل امڪاني اندازي جي ماڊل جي بنياد تي ۽ موجوده علامت جي تسلسل ۾ هر علامت جي تعدد. هي اسان کي ڳڻڻ جي اجازت ڏئي ٿو اپر ۽ هيٺين حدن کي ڳڻڻ جي مجموعي امڪان جي قبضي واري ويڪسلز ۽ انڪوڊنگ جي عمل کي مڪمل ڪريو.

تجربو

لاڳو ڪرڻ جا تفصيل

1. ڊيٽا سيٽ. اسان جي تجويز ڪيل طريقي جي ڪارڪردگي جي تصديق ڪرڻ لاء، وسيع تجربا ڪيا ويا 16 پوائنٽ ڪلائوڊ ڊيٽا سيٽس جيڪي ڊائون لوڊ ڪري سگھجن ٿيون Ref. [40]، جيئن تصوير 3 ۾ ڏيکاريل آهي، جنهن ۾ انجير. 3(a) – 3(l) اهي پورٽريٽ آهن جن ۾ گھڻن نقطن ۽ انجير آهن. 3(m) - 3(p) اسپارس پوائنٽس سان آرڪيٽيڪچر آھن. انجير. 3(a) – 3(h) Microsoft کان حاصل ڪيل ٻن اسپيشل ريزوليوشنز جا ويڪسيلائيز اپر باڊيز پوائنٽ ڪلائوڊ ڊيٽا سيڪيونس آهن. انجير. 3 (i) - 3 (l) 8i voxelized مڪمل باڊي پوائنٽ ڪلائوڊ ڊيٽا جي ترتيبن مان چونڊيو ويو آهي. باقي رھيل وڏا وڏا اسپارس پوائنٽ بادل انجير ۾. 3(k) - 3(p) جامد چهرو ۽ آرڪيٽيڪچر ڊيٽا سيٽس آھن.
2. تشخيص جي ماپ. تجويز ڪيل طريقي جي ڪارڪردگي بٽ في پوائنٽ (BPP) جي لحاظ سان جائزو ورتو ويو آهي. BPP نقطي سان منسلڪ ڪوآرڊينيٽ معلومات تي قبضو ڪيل بٽ جي رقم ڏانهن اشارو ڪري ٿو. گھٽ قيمت، بهتر ڪارڪردگي. جتي Sizedig پوائنٽ ڪلائوڊ ڊيٽا جي ڪوآرڊينيٽ معلومات تي قبضو ڪيل بٽس جو تعداد ڏيکاري ٿو، ۽ k اصل پوائنٽ ڪلائوڊ ۾ پوائنٽن جي تعداد ڏانهن اشارو ڪري ٿو.
3. معيار. اسان بنيادي طور تي اسان جي طريقي کي ٻين بيس لائين الگورتھم سان گڏ ڪريون ٿا، بشمول: PCL-PCC: PCL ۾ octree-based compression؛ G-PCC (MPEG انٽرا ڪوڊرز ٽيسٽ ماڊل) ۽ انٽر اي ايم (MPEG انٽر ڪوڊرز ٽيسٽ ماڊل) ھدف سنگل فريم ۽ ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن ترتيب سان؛ سلائيٽ 3D (S3D) [41] ۽ Silhouette 4D (S4D) [42] ھدف سنگل فريم ۽ ملٽي فريم پوائنٽ ڪلاؤڊ ڪمپريشن، ترتيب سان.
   PCL لاءِ، اسان صرف جاميٽري ڪمپريشن لاءِ PCL-v1.8.1 ۾ آڪٽري پوائنٽ ڪلائوڊ ڪمپريشن اپروچ استعمال ڪندا آهيون. اسان پوائنٽ جي درستگي ۽ ووڪسيل ريزوليوشن کان آڪٽري ريزوليوشن پيٽرول سيٽ ڪيو. G-PCC (TM13-v11.0) لاءِ، اسان چونڊون ٿا بي نقصان جاميٽري -نقصان واري خاصيتن جي حالت هڪ آڪٽري-پيشگوئي واري موڊ ۾، پيرا ميٽرز کي ڊفالٽ طور ڇڏيندي. InterEM (tmc3v3.0) لاءِ، اسان تجرباتي نتيجن کي نقصان جي جاميٽري ۽ نقصان کان سواءِ خاصيتن جي حالتن جي مقابلي ۾ استعمال ڪريون ٿا[43]. S3D لاء
   ۽ S4D، اسان ڊفالٽ شرطن ۽ پيٽرولن جي پيروي ڪندا آهيون.
4. هارڊويئر. تجويز ڪيل الگورٿم متلب ۽ C++ ۾ PCL-v1.8.1 جي ڪجهه افعال کي استعمال ڪندي لاڳو ڪيو ويو آهي. سڀئي تجربا هڪ ليپ ٽاپ تي Intel Core i7- 8750 CPU @ 2.20 GHz سان 8 GB ميموري سان آزمايا ويا آهن.

سنگل فريم پوائنٽ ڪلائوڊ ڪمپريشن جا نتيجا

1. ڊنس پوائنٽ ڪلائوڊ ڊيٽا جي ترتيبن جي پورٽريٽ جا ڪمپريشن نتيجا
   جدول 1 ڏيکاري ٿو اسان جي فضائي حوالي سان ھدايت ڪيل نقصان واري پوائنٽ ڪلاؤڊ جاميٽري ڪمپريشن الگورٿمس جي ڪارڪردگي PCL-PCC، G-PCC ۽ S3D طريقن سان ڏورانهين پوائنٽ ڪلائوڊ ڊيٽا جي ترتيبن جي پورٽريٽ تي. اهو ٽيبل 1 مان ڏسي سگھجي ٿو ته ساڳئي ترتيبن جي سڀني نقطي بادل لاء، تجويز ڪيل طريقو ٻين طريقن جي مقابلي ۾ تمام گھٽ کمپريشن BPP حاصل ڪري ٿو. اسان جو الورورٿم S1.56D جي مقابلي ۾ −0.02% کان −3% تائين، ۽ G-PCC جي مقابلي ۾ −10.62% کان −1.45% تائين حاصل ٿيندڙ حاصلات پيش ڪري ٿو. اهو هڪ وڌيڪ واضح صلاح ڏيکاري ٿوtage، اهو آهي، تجويز ڪيل الورورٿم جي ڪمپريشن ڪارڪردگي حاصلات جي حد تائين -10.62٪ کان -1.45٪ تائين؛ PCL-PCC لاءِ، تجويز ڪيل الورورٿم ڏيکاري ٿو تقريبن ٻيڻو فائدو سڀني تسلسلن تي، −154.43% کان −85.39% تائين.
2. وڏي پيماني تي اسپارس پوائنٽ ڪلائوڊ ڊيٽا جي ڪمپريشن جا نتيجا
   ڇاڪاڻ ته S3D هن صورت ۾ ڪم نه ٿو ڪري سگهي، اسان صرف اسان جي فضائي حوالي سان رهنمائي ڪرڻ واري نقصان واري جاميٽري پوائنٽ ڪلائوڊ ڪمپريشن الگورٿم کي PCL-PCC ۽ G-PCC طريقن سان وڏي پيماني تي اسپارس پوائنٽ ڪلائوڊ ڊيٽا تي موازنہ ڪريون ٿا. ٻيهر، اسان جو الگورٿم G-PCC ۽ PCL-PCC سان قابل قدر ڪارڪردگي حاصل ڪري ٿو، جيئن جدول 1 ۾ ڏيکاريل آهي. نتيجا ڏيکاريا ويا آهن ته سراسري BPP حاصلات −8.84% کان −4.35% تائين G-PCC جي مقابلي ۾ پڪڙيا ويا آهن. PCL- PCC لاءِ، اسان جو تجويز ڪيل الورورٿم وڌيڪ واضع ايڊوان ڏيکاري ٿوtages، حاصلات سان −34.69% کان −23.94% تائين.
3. خلاصو
   ھڪڙي فريم پوائنٽ بادل ڪمپريشن نتيجن جي وڌيڪ سمجھڻ واري مقابلي کي مهيا ڪرڻ لاء، جدول 2 اسان جي فضائي حوالي سان ھدايت واري ڪمپريشن طريقي ۽ ٻين جديد معيار جي معيار جي طريقن جي وچ ۾ اوسط نتيجا پيش ڪري ٿو. S3D جي مقابلي ۾، اسان جو تجويز ڪيل طريقو − 0.58% کان −3.43% تائين سراسري حاصلات ڏيکاري ٿو. جيئن ته G-PCC ۽ PCL-PCC لاءِ، سراسري نفعو گهٽ ۾ گهٽ −3.43٪ ۽ −95.03٪ ترتيب سان حاصل ڪري ٿو. تجرباتي تجزيو ظاهر ڪري ٿو ته اسان جي فضائي حوالي سان هدايت واري ڪمپريشن جو طريقو موجوده S3D، G-PCC ۽ PCL-PCC کان وڏي حد تائين وڌي ٿو. اهڙيءَ طرح، اهو مختلف قسم جي منظرن جي لاءِ پوائنٽ ڪلائوڊ جاميٽري جي نقصان کان سواءِ ڪمپريشن گهرجن کي پورو ڪري سگهي ٿو، مثال طور، ٿلهي يا ٿلهي ورهاست، ۽ اسان جي طريقي جي اثرائتي مسلسل رهي ٿي.
4. ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن جا نتيجا
   اسان جائزو وٺون ٿا اسان جي تجويز ڪيل فضائي-وقتي حوالي سان ھدايت ڪيل نقطي بادل جاميٽري ڪمپريشن الگورٿم جي خلاف موجوده ڪمپريشن الگورٿم جهڙوڪ S4D، PCL-PCC، G-PCC ۽ interEM. هن تجربي ۾ صرف ڊنس پوائنٽ ڪلائوڊ ڊيٽا جي ترتيبن جا پورٽريٽ استعمال ڪيا ويا آهن. نتيجن ۾ بيان ڪيل آهن.

ٽيبل 1. بي پي پي جي مقابلي ۾ اسان جي فضائي حوالي سان هدايت ٿيل کمپريشن الگورتھم ۽ بيس لائين طريقن.

ٽيبل 2. BPP سنگل فريم پوائنٽ ڪلائوڊ ڊيٽا تي رياست جي جديد الگورتھم سان مقابلو.

ٽيبل 3. جيئن اسان ڏسي سگهون ٿا، اڳڪٿي واري موڊ ۽ رياضي واري انڪوڊر ۾ اصلاحن کان پوءِ، تجويز ڪيل الگورٿم سڀني ٽيسٽ جي ترتيبن تي برتري ڏيکاري ٿي. خاص طور تي، interEM ۽ G-PCC جي مقابلي ۾، تجويز ڪيل الورورٿم −51.94٪ کان −17.13٪ ۽ −46.62٪ کان −5.7٪ تائين اهم حاصلات ڏيکاري ٿو. S4D جي مقابلي ۾، تجويز ڪيل الگورتھم −12.18% کان -0.33% تائين مضبوط سڌارو ڏيکاري ٿو. جيئن ته PCL-PCC لاءِ، اسان جو تجويز ڪيل الورورٿم لڳ ڀڳ اڌ ٿي ويو آهي سڀني ٽيسٽ جي ترتيبن تي.
ان کان علاوه، اسان پيش ڪيل طريقي جي ڪمپريشن نتيجن ۽ حاصلات کي اختصار ڪريون ٿا پورٽريٽ جي ڊين پوائنٽ ڪلائوڊ ڊيٽا جي ترتيبن تي، جدول 4 ۾ درج ٿيل آهي. سراسري طور تي، اهو حاصل ڪري ٿو −11.5% ۽ -2.59% جي وچ ۾ مقابلي ۾ مقامي حوالي سان گائيڊ پوائنٽ ڪلائوڊ. جاميٽري کمپريشن الگورتھم اڳ ۾ تجويز ڪيل. ان کان علاوه، اهو G-PCC جي مقابلي ۾ -19٪ جي اعلي اوسط حاصلات ڏيکاري ٿو ۽ انٽر اي ايم جي مقابلي ۾ -24.55٪ جي اوسط ڪوڊنگ حاصل ڪئي آهي. اضافي طور تي، S3D ۽ S4D جي مقابلي ۾، اهو بالترتيب −6.11٪ ۽ −3.64٪ کان وڌيڪ حاصل ڪري ٿو. مجموعي تجرباتي تجزيو ڏيکاري ٿو ته spatiotemporal context-guideed point Cloud Compression Method intra-frames ۽ inter-frames جي ڀرپاسي واري تہن جي مقامي ۽ عارضي لاڳاپن جو پورو استعمال ڪري سگھي ٿو. اسان گھٽ بٽ جي شرح حاصل ڪرڻ لاءِ رياضي واري انڪوڊر جي عالمي حوالي سان چونڊ ۽ امڪاني ماڊل کي پڻ بهتر بڻايون ٿا. تجويز ڪيل طريقو جديد الورورٿمز جي ڪارڪردگيءَ کان اڳتي وڌي ٿو، جيئن ملٽي ميڊيا ايپليڪيشن منظرنامي ۾ پوائنٽ ڪلائوڊ جاميٽري نقصان کان سواءِ ڪمپريشن جي ضرورتن کي پورو ڪرڻ جهڙوڪ متحرڪ پورٽريٽ.

ٽيبل 3. بٽ-في-پوائنٽ جي مقابلي ۾ اسان جي اسپيٽيو-وقتي حوالي سان-هدايت واري ڪمپريشن الگورٿم ۽ بيس لائين طريقن.

ٽيبل 4. ملٽي فريم پوائنٽ ڪلائوڊ ڊيٽا تي اسٽيٽ آف دي آرٽ الگورٿمز سان بٽ في پوائنٽ جو مقابلو.

خلاصو مطالعو
اسان 8i voxelized فل باڊي پوائنٽ ڪلائوڊ ڊيٽا جي ترتيبن تي اڳڪٿي ڪندڙ انڪوڊنگ تي ايبليشن مطالعو انجام ڏيون ٿا ته ورهاڱي جي اثرائتي کي ظاهر ڪرڻ لاءِ. اهو جدول 5 مان ڏسي سگهجي ٿو ته بهتري ڏيکاري ٿي −70% جو ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن تي ۽ −60% سنگل فريم پوائنٽ ڪلائوڊ ڪمپريشن تي غير ورهاڱي جي اڳڪٿي ڪندڙ ڪوڊنگ جي خلاف.
اڳيون، اسان رياضيات جي ڪوڊنگ تي هڪ خاتمي جو تجربو انجام ڏيون ٿا ته جيئن مفهوم لغت جي اثرائتي کي ظاهر ڪري. جيئن ته جدول 6 ۾ ڏيکاريل آهي، −33٪ جي هڪ مضبوط سڌاري ملٽي فريم پوائنٽ ڪلائوڊ ڪمپريشن تي ۽ −41٪ جي سنگل فريم پوائنٽ ڪلائوڊ ڪمپريشن تي، رياضي جي ڪوڊنگ جي خلاف بغير ڪنهن حوالي جي لغت جي اسان جي طريقي ۾ مشاهدو ڪيو ويو آهي.

وقت جو استعمال
اسان الورورٿم جي پيچيدگي کي جانچڻ ۽ تجويز ڪيل طريقن کي ٻين سان گڏ ڪرڻ لاء وقت جي استعمال کي جانچيو. الگورتھم جي پيچيدگي جو تجزيو انڪوڊرز ۽ ڊيڪوڊرز پاران آزاديءَ سان ڪيو ويو آھي، جدول 7 ۾ ڏنل آھي. جيئن اسين ڏسي سگھون ٿا، G-PCC، interEM ۽ PCL-PCC 10 s کان گھٽ جي انڪوڊنگ وقت ۽ 5 s کان گھٽ جي ڊيڪوڊنگ وقت حاصل ڪري سگھن ٿا. پورٽريٽ ڊينس پوائنٽ ڪلائوڊ ڊيٽا. اهي ٻين جي مقابلي ۾ وڏي پيماني تي اسپارس پوائنٽ ڪلائوڊ ڊيٽا ۾ پڻ سٺي ڪارڪردگي ڪن ٿا. اسان جي تجويز ڪيل الگورٿمز لڳ ڀڳ 60 ۽ 15 سيڪنڊن کي انڪوڊ ڪرڻ ۽ پورٽريٽ جي ترتيبن کي ڊيڪوڊ ڪرڻ ۾ لڳن ٿيون، ان کان به وڌيڪ اڳي ۽ آرڪيٽيڪچر پوائنٽ ڪلائوڊ ڊيٽا تي. اتي bitrates ۽ compression رفتار جي وچ ۾ واپار بند آهي. S3D ۽ S4D جي مقابلي ۾، جيڪي سوين سيڪنڊن کي انڪوڊ ڪرڻ ۾ وٺن ٿا، اسان جي وقت سازي جو طريقو برتري ڏيکاري سگھي ٿو.
خلاصو، اسان جي تجويز ڪيل طريقن جو وقت واپرائڻ سڀني مقابلي جي الگورتھم جي وچ ۾ وچولي آهي پر اڃا به وڌيڪ بهتر ٿيڻ جي ضرورت آهي.

نتيجو

هن مقالي ۾، اسان تجويز ڪريون ٿا هڪ spatiotemporal context-guideed method for lossless point cloud geometry compres⁃ sion. اسان سلائس پوائنٽ ڪلائوڊ آف يونٽ جي ٿولهه کي انپٽ يونٽ سمجھون ٿا ۽ سفري سيلزمين الگورٿم جي بنياد تي جاميٽري اڳڪٿي ڪندڙ ڪوڊنگ موڊ کي اپنائڻ ٿا، جيڪو انٽرا فريم ۽ انٽر فريم ٻنهي تي لاڳو ٿئي ٿو. ان کان علاوه، اسان عالمي حوالي سان معلومات جو پورو استعمال ڪريون ٿا ۽ موافقت واري رياضياتي انڪوڊر جي بنياد تي حوالن جي تيز اپ ڊيٽ حاصل ڪرڻ لاءِ پوائنٽ ڪلائوڊز جي نقصان جي بغير ڪمپريشن ۽ ڊيڪپريشن نتيجا حاصل ڪرڻ لاءِ. تجرباتي نتيجا ظاهر ڪن ٿا اسان جي طريقن جي اثرائتي ۽ پوئين اڀياس تي انهن جي برتري. مستقبل جي ڪم لاءِ، اسان الورورٿم جي مجموعي پيچيدگي کي وڌيڪ مطالع ڪرڻ جي منصوبابندي ڪريون ٿا، الورورٿم جي پيچيدگي کي گھٽ ڪري تيز رفتار ڪمپريشن ريٽ ۽ گھٽ بٽ ريٽ ڪمپريشن نتيجا حاصل ڪرڻ لاءِ. گھٽ بٽ جي شرح ۽ حقيقي وقت/گهٽ دير سان سهڪار وارو طريقو مختلف قسم جي منظرن ۾ تمام گهڻو گهربل آهي.

حوالو

1. MI XX، YANG BS، DONG Z، et al. MLS پوائنٽ بادل استعمال ڪندي خودڪار 3D روڊ بائونڊري ڪڍڻ ۽ ویکٹرائيزيشن [J]. IEEE ٽرانزيڪشن تي ذھني ٽرانسپورٽ سسٽم، 2022، 23(6): 5287 - 5297. DOI: 10.1109/ TITS.2021.3052882
2. ڊانگ زي، ليانگ ايف ايڪس، يانگ بي ايس، وغيره. وڏي پيماني تي زميني ليزر اسڪينر پوائنٽ ڪلائوڊس جي رجسٽريشن: هڪ ٻيهرview ۽ معيار [جي]. ISPRS جرنل آف فوٽوگراميٽري ۽ ريموٽ سينسنگ، 2020، 163: 327-342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. GRAZIOSI D، NAKAGAMI O، KUMA S، et al. هڪ اوورview جاري پوائنٽ ڪلائوڊ ڪمپريشن معيار جي سرگرمين جو: وڊيو تي ٻڌل (V-PCC) ۽ جاميٽري تي ٻڌل (G-PCC) [J]. سگنل ۽ انفارميشن پروسيسنگ تي APSIPA ٽرانزيڪشن، 2020، 9: e13
4. DE QUEIROZ RL, CHOU P A. 3D پوائنٽ بادلن جو ڪمپريشن علائقي جي موافقت واري ترتيب واري تبديلي کي استعمال ڪندي [J]. تصويري پروسيسنگ تي IEEE ٽرانزيڪشن، 2016، 25(8): 3947–3956. DOI: 10.1109/TIP.2016.2575005
5. BLETTERER A، PAYAN F، ANTONINI M، et al. ڊيپٿ نقشا استعمال ڪندي ڪلائوڊ ڪمپريشن پوائنٽ [J]. اليڪٽرانڪ تصويري، 2016، 2016(21):1-6
6. MEKURIA R, BLOM K, CESAR P. ٽيلي عمدي وڊيو لاءِ پوائنٽ ڪلاؤڊ ڪوڊيڪ جي ڊيزائن، عمل درآمد ۽ تشخيص [J]. IEEE ٽرانزيڪشن تي سرڪٽس ۽ سسٽم لاء وڊيو ٽيڪنالاجي، 2017، 27(4): 828 - 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROZ RL، CHOU P A. متحرڪ ويڪسيلائيز پوائنٽ بادل جي موشن معاوضي واري کمپريشن [J]. تصويري پروسيسنگ تي IEEE ٽرانزيڪشن، 2017، 26 (8): 3886–3895. DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. 3D پوائنٽ ڪلائوڊ ڪمپريشن: هڪ سروي [C]// 24هين بين الاقوامي ڪانفرنس 3D تي Web ٽيڪنالاجي. ACM، 2019: 1-9. DOI: 10.1145/3329714.3338130
9. GRAZIOSI D، NAKAGAMI O، KUMA S، et al. هڪ اوورview جاري پوائنٽ ڪلائوڊ ڪمپريشن معيار جي سرگرمين جو: وڊيو تي ٻڌل (V-PCC) ۽ جاميٽري تي ٻڌل (G-PCC) [J]. APSIPA ٽرانزيڪشن آن سگنل ۽ انفارميشن پروسيسنگ، 2020، 9(1): e13. DOI: 10.1017/atsip.2020.12
10. هوانگ يو، پينگ جي ايل، ڪائو سي جي، وغيره. پوائنٽ ڪلائوڊس جي آڪٽري تي ٻڌل ترقي پسند جاميٽري ڪوڊنگ [C]//The 3rd Eurographics/IEEE VGTC ڪانفرنس آن پوائنٽ بيسڊ گرافڪس. IEEE، 2016: 103-110
11. FAN YX، HUANG Y، PENG J L. پوائنٽ ڪلاؤڊ ڪمپريشن جي بنياد تي hierarchical پوائنٽ ڪلسترنگ [C]// ايشيا-پئسفڪ سگنل ۽ انفارميشن پروسيسنگ ايسوسيئيشن جي سالياني اجلاس ۽ ڪانفرنس. IEEE، 2014: 1 - 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. Adaptive multi-level triangle soup for geometry-based point Cloud coding [C]//The 21st International Workshop on Multimedia Signal Processing (MMSP). IEEE، 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L, et al. پوائنٽ سيٽ مٿاڇري جي دٻاء جي بنياد تي شڪل جي نموني جي تجزيو [J]. ملٽي ميڊيا ٽولز ۽ ايپليڪيشنون، 2017، 76(20): 20545–20565. DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M, et al. درجا هڪ [J] جي پولينوميلز استعمال ڪندي ٽي-dimensional پوائنٽ ڪلائوڊ ڪمپريشن ۽ decompression. همراه، 2019، 11(2): 209. DOI: 10.3390/sym11020209
15. SUN XB، MA H، SUN YX، et al. هڪ ناول پوائنٽ ڪلائوڊ ڪمپريشن الگورٿم ڪلسترنگ جي بنياد تي [J]. IEEE روبوٽڪس ۽ آٽوميشن اکر، 2019، 4(2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P، BRITES C، ASCENSO J، et al. گراف جي بنياد تي جامد 3D پوائنٽ بادل جاميٽري ڪوڊنگ [J]. ملٽي ميڊيا تي IEEE ٽرانزيڪشن، 2019، 21(2): 284–299. DOI: 10.1109/TMM.2018.2859591
17. ISO. جاميٽري تي ٻڌل پوائنٽ ڪلائوڊ ڪمپريشن (G-PCC): ISO/IEC 23090-9 [S]. 2021
18. DRICOT A، ASCENSO J. Hybrid octree-plane point ڪلائوڊ جاميٽري ڪوڊنگ [C]//27هين يورپي سگنل پروسيسنگ ڪانفرنس (EUSIPCO). IEEE، 2019: 1-5
19. ZHANG X, GAO W, LIU S. Implicit جاميٽري ورهاڱي لاءِ پوائنٽ ڪلائوڊ ڪمپريشن [C]//2020 ڊيٽا ڪمپريشن ڪانفرنس (DCC) جي عمل. IEEE، 2020: 73-82. DOI: 10.1109/DCC47342.2020.00015
20. QUACH M, VALENZISE G, DUFAUX F. لرننگ ڪنوولوشنل ٽرانسفارمز فار لاسي پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن [C]//The 2019 IEEE International Conference on Image Processing (ICIP). IEEE، 2019: 4320- 4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. 3D پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن آن ڊيپ لرننگ [C]//ملٽي ميڊيا تي 27هين ACM انٽرنيشنل ڪانفرنس. ACM، 2019: 890-898. DOI: 10.1145/3343031.3351061
22. GUARDA AFR، RODRIGUES NMM، PEREIRA F. پوائنٽ ڪلائوڊ ڪوڊنگ: اپنائڻ هڪ گہرے سکيا تي ٻڌل اپروچ [C]//Picture Coding Symposium (PCS). IEEE، 2020: 1-5. DOI: 10.1109/PCS48520.2019.8954537
23. وانگ جيو، زي ايڇ، ايم زي، وغيره. سکيا پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. اينالا ڪ، ميڪوريا آر اين، ڪٿاريا بي، وغيره. جهاز جي پروجيڪشن ap⁃ proximation [C]//SPIE Optical Engineering+Applications سان octree-based point Cloud Compression لاءِ هڪ بهتر واڌارو وارو پرت. SPIE، 2016: 223- 231. DOI: 10.1117/12.2237753
25. SCHWARZ S, HANNUKSELA MM, FAKOR-SEVOM V, et al. Volumetric وڊيو ڊيٽا جي 2D وڊيو ڪوڊنگ [C]//تصوير ڪوڊنگ سمپوزيم (PCS). IEEE، 2018: 61-65. DOI: 10.1109/PCS.2018.8456265
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. جاميٽري جي رهنمائي ڪيل 3D ڊيٽا انٽرپوليشن لاءِ پروجئشن جي بنياد تي متحرڪ پوائنٽ ڪلائوڊ ڪوڊنگ [C]//دي 7 هين يورپي ورڪشاپ آن بصري انفارميشن پروسيسنگ (EUVIP). IEEE، 2019: 1-6. DOI: 0.1109/EUVIP.2018.8611760
27. ڪٿاريا بي، ايل ايل، ايل زي، وغيره. نقصان کان سواءِ متحرڪ نقطو بادل جاميٽري ڪمپريشن سان گڏ بين معاوضي ۽ سفر ڪندڙ وڪرو ڪندڙ اڳڪٿي [C]// ڊيٽا ڪمپريشن ڪانفرنس. IEEE، 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO. Visual Volumetric وڊيو تي ٻڌل ڪوڊنگ (V3C) ۽ وڊيو تي ٻڌل پوائنٽ ڪلائوڊ ڪمپريشن: ISO/IEC 23090-5 [S]. 2021
29. پارڪ ج، لي ج، پارڪ ايس، وغيره. 3D پوائنٽ ڪلائوڊ ڪمپريشن [J] لاءِ پروجيڪشن تي ٻڌل قبضي واري نقشي جو ڪوڊنگ. IEIE ٽرانزيڪشن آن سمارٽ پروسيسنگ ۽ ڪمپيوٽنگ، 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 معيار لاءِ بهتر ٿيل پيچ پيڪنگ [C]//IEEE 21st انٽرنيشنل ورڪشاپ ملٽي ميڊيا سگنل پروسيسنگ (MMSP). IEEE، 2019: 1 - 6. DOI: 10.1109/ MMSP.2019.8901690
31. ڪامرل ج، بلڊو اين، روسو آر بي، وغيره. ريئل ٽائيم ڪمپريشن آف پوائنٽ ڪلاؤڊ اسٽريمز [سي]//2012 جي IEEE انٽرنيشنل ڪانفرنس آن روبوٽڪس اينڊ آٽوميشن. IEEE، 2012: 778 - 785. DOI: 10.1109/ ICRA.2012.6224647
32. پي سي ايل. پوائنٽ ڪلائوڊ لائبريري. [EB/OL]. [2023-09-01]. http://pointclouds.org/
33. THANOU D، CHOU PA، FROSSARD P. متحرڪ 3D پوائنٽ ڪلائوڊ تسلسل جي گراف تي ٻڌل ڪمپريشن [J]. تصويري پروسيسنگ تي IEEE ٽرانزيڪشن، 2016، 25(4): 1765–1778. DOI: 10.1109/TIP.2016.2529506
34. LI L، LI Z، ZAKHARCHENKO V، et al. وڊيو بيسڊ پوائنٽ ڪلائوڊ ايٽريبيٽس ڪمپريشن [سي]// ڊيٽا ڪمپريشن ڪانفرنس (ڊي سي سي) لاءِ ترقي يافته 3D موشن اڳڪٿي. IEEE، 2019: 498-507. DOI: 10.1109/DCC.2019.00058
    ZHAO LL، MA KK، LIN XH، et al. حقيقي وقت LiDAR پوائنٽ ڪلائوڊ ڪمپريشن استعمال ڪندي Bi-directional prediction ۽ range-adaptive floating-point coding [J]. IEEE ٽرانزيڪشن تي براڊڪاسٽنگ، 2022، 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP، LIU D، LI HQ، et al. M-LVC: سکيا وڊيو ڪمپريشن لاءِ گھڻن فريم جي اڳڪٿي [C]//IEEE/CVF ڪانفرنس آن ڪمپيوٽر ويزن ۽ پيٽرن ريڪگنيشن. IEEE، 2020: 3543 - 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. يانگ آر، مينزر ايف، وان گول ايل، وغيره. وڊيو ڪمپريشن لاءِ سکيا ورهاڱي واري معيار ۽ بار بار وڌائڻ سان [C]//IEEE/CVF ڪانفرنس آن ڪمپيوٽر ويزن ۽ پيٽرن ريڪگنيشن. IEEE، 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC، TABUS I. sequence optimized CNN ماڊلز استعمال ڪندي پوائنٽ ڪلائوڊ سيڪيونس جو بي نقصان ڪمپريشن [J]. IEEE رسائي، 2022، 10: 83678 -83691. DOI: 10.1109/ACCESS.2022.3197295
38. DING S، MANNAN MA، POO A N. Oriented Bounding Box ۽ octree-based Global Interference detection in 5-axis machineing of free-form surfaces [J]. ڪمپيوٽر جي مدد سان ٺهيل ڊيزائن، 2004، 36(13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM, et al. MPEG پوائنٽ بادل کمپريشن ۾ شرح-تحريف ڪارڪردگي جو هڪ جامع مطالعو [J]. سگنل ۽ انفارميشن پروسيسنگ تي APSIPA ٽرانزيڪشن، 2019، 8: e27. doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. dyadic decomposition [J] استعمال ڪندي پوائنٽ ڪلائوڊ جاميٽري جو انٽرا فريم ڪمپريشن. IEEE سگنل پروسيسنگ خط، 2020، 27: 246-250. DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. Silhouette 4D with context Selection: lossless geometry compression of dynamic point clouds [J]. IEEE سگنل پروسيسنگ خط، 2021، 28: 1660 - 1664. DOI: 10.1109/ lsp.2021.3102525
42. ISO. G-PCC دستاويز N00106 لاءِ عام ٽيسٽ حالتون: ISO/IEC JTC 1/SC 29/WG 7 MPEG [S]. 2021

سوانح عمريون

• ZHANG Huiran هن اسڪول آف جيوڊيسي اينڊ جيوميٽڪس ۽ اسٽيٽ ڪيئي ليبارٽري آف انفارميشن انجنيئرنگ ۾ سروينگ ميپنگ ۽ ريموٽ سينسنگ ۾ بي اي ۽ ايم اي جون ڊگريون حاصل ڪيون، ٻنهي ووهان يونيورسٽي، چين مان 2020 ۽ 2023 ۾، بالترتيب. هوءَ هن وقت گوانگزو اربن پلاننگ اينڊ ڊيزائن سروي ريسرچ انسٽيٽيوٽ، چين جي سرويئر آهي. هن جي تحقيقي دلچسپين ۾ پوائنٽ ڪلائوڊ ڊيٽا پروسيسنگ ۽ ڪمپريشن شامل آهن. هن ريموٽ سينسنگ جي شعبي سان لاڳاپيل ڪيترن ئي منصوبن ۾ حصو ورتو ۽ ووهان يونيورسٽي جي جيوميٽڪس ۽ انفارميشن سائنس ۾ هڪ پيپر شايع ڪيو.
• ڊانگ جين (dongzhenwhu@whu.edu.cn2011 ۽ 2018 ۾ چين جي ووهان يونيورسٽي مان ريموٽ سينسنگ ۽ فوٽوگرافي ۾ بي اي ۽ پي ايڇ ڊي جون ڊگريون حاصل ڪيون. هو سروينگ، ميپنگ ۽ ريموٽ سينسنگ (LIESMARS)، ووهان يونيورسٽي ۾ انفارميشن انجنيئرنگ جي اسٽيٽ ڪيئي ليبارٽري سان پروفيسر آهي. هن جي تحقيقي دلچسپين ۾ شامل آهن 3D بحالي، منظر کي سمجهڻ، پوائنٽ ڪلائوڊ پروسيسنگ ۽ گڏوگڏ انهن جي ايپليڪيشنن ۾ ذهين ٽرانسپورٽ سسٽم، ڊجيٽل ٽوئن شهرن، شهري پائيدار ترقي ۽ روبوٽڪس. هن مختلف قومي ۽ بين الاقوامي مقابلن مان 10 کان وڌيڪ اعزاز حاصل ڪيا ۽ مختلف جرنلز ۽ ڪانفرنسن ۾ 60 جي لڳ ڀڳ مقالا شايع ڪيا.
  وانگ منگ شينگ هن 2001 ۾ جيلن يونيورسٽي، چين مان ڪاليج آف ڪمپيوٽر سائنس اينڊ ٽيڪنالاجي ۾ بي اي جي ڊگري حاصل ڪئي، ۽ 2004 ۾ سائوٿ چائنا يونيورسٽي آف ٽيڪنالاجي، چائنا مان اسڪول آف ڪمپيوٽر سائنس اينڊ انجنيئرنگ ۾ ايم اي جي ڊگري حاصل ڪئي. هو هن وقت گوانگزو اربن پلاننگ سان سينئر انجنيئر آهي. ۽ ڊيزائن سروي ريسرچ انسٽيٽيوٽ، چين. هن جي تحقيقي دلچسپين ۾ ڪمپيوٽر ايپليڪيشنون ۽ سافٽ ويئر، فزيوگرافي، ۽ سروينگ شامل آهن. هن مختلف قومي مقابلن مان 20 کان وڌيڪ اعزاز حاصل ڪيا ۽ مختلف جرنلز ۽ ڪانفرنسن ۾ 50 جي لڳ ڀڳ مقالا شايع ڪيا.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.htmlآن لائن شايع ٿيل نومبر 8، 2023
دستياب ٿيل نسخو: 2023-09-11

دستاويز / وسيلا

ZTE Guided Algorithm for Lossless Point Cloud جاميٽري ڪمپريشن [pdf] استعمال ڪندڙ ھدايت ھدايت وارو الورورٿم لاءِ نقصان کان سواءِ پوائنٽ ڪلاؤڊ جاميٽري ڪمپريشن، ھدايت وارو، الورورٿم لاءِ بي نقصان پوائنٽ ڪلائوڊ جيوميٽري ڪمپريشن، بي لوث پوائنٽ ڪلاؤڊ جاميٽري ڪمپريشن، پوائنٽ ڪلائوڊ جاميٽري ڪمپريشن، جاميٽري ڪمپريشن

حوالو

• استعمال ڪندڙ دستي