ЗТЕ вођени алгоритам за компресију геометрије облака тачака без губитака

Спецификације:

• Назив производа: Алгоритам вођен кроз просторно-временски контекст за компресију геометрије облака тачака без губитака
• Аутори: ЗХАНГ Хуиран, ДОНГ Зхен, ВАНГ Мингсхенг
• Објављено: децембар 2023
• ДОИ: 10.12142/ЗТЕЦОМ.202304003

Упутства за употребу производа

Увод:
Производ је дизајниран да ефикасно компримује податке облака тачака, решавајући изазове у вези са капацитетом простора за складиштење и пропусним опсегом за мрежни пренос.

Главне карактеристике:

1. Режим предвиђања који се примењује на облаке тачака унутар оквира и између оквира користећи проширени проблем трговачког путника.
2. Адаптивни аритметички кодер са брзим ажурирањем контекста за ефикасно израчунавање вероватноће и резултате компресије.

Кораци употребе:

Корак 1: Поделите облаке тачака
Поделити облаке тачака на слојеве по јединици дуж главне осе.

Корак 2: Режим предвиђања дизајна
Дизајнирајте режим предвиђања користећи алгоритам трговачког путника да бисте искористили просторне и временске редундансе.

Корак 3: Кодирање остатака
Запишите остатке у токове битова користећи аритметички енкодер који се прилагођава контексту за компресију.

ФАК:

• П: Које су кључне предности коришћења овог производа?
  A: Производ омогућава ефикасну компресију података облака тачака, користећи просторне и временске корелације за побољшане резултате компресије.
• П: Да ли овај производ може да поднесе и облаке тачака са једним и више кадрова?
  A: Да, режим предвиђања је применљив и на облаке тачака унутар оквира и на облаке тачака између оквира, омогућавајући разноврсне сценарије употребе.

ЗХАНГ Хуиран, ДОНГ Зхен, ВАНГ Мингсхенг

1. Гуангзхоу Урбан Планнинг анд Десигн Сурвеи Институте, Гуангзхоу 510060, Кина；
2. Гуангдонг Ентерприсе Кеи Лаборатори за урбано детекцију, праћење⁃ инг и рано упозоравање, Гуангџоу 510060, Кина；
3. Државна кључна лабораторија за информациони инжењеринг у геодетским мапама⁃ пинг и даљинско детекцију, Универзитет Вухан, Вухан 430079, Кина)

Апстракт: Компресија облака тачака је кључна за примену 3Д приказа физичког света, као што су 3Д импресивно телеприсуство, аутономна вожња и културно наслеђеtagе очување. Међутим, подаци облака тачака се дистрибуирају неправилно и дисконтинуирано у просторним и временским доменима, где сувишни незаузети воксели и слабе корелације у 3Д простору чине постизање ефикасне компресије изазовним проблемом. У овом раду предлажемо просторно-временски контекстуално вођен алгоритам за компресију геометрије облака тачака без губитака. Предложена шема почиње поделом облака тачака на исечене слојеве јединичне дебљине дуж најдуже осе. Затим, уводи метод предвиђања где су доступни и облаци тачака унутар оквира и међу оквирима, одређивањем кореспонденције између суседних слојева и проценом најкраћег пута коришћењем алгоритма трговачког путника. Коначно, неколико заостатака предвиђања је ефикасно компримовано са оптималним техникама аритметичког кодирања вођеним контекстом и адаптивним брзим модом. Експерименти доказују да предложени метод може ефикасно постићи ниску компресију без губитака у битовима геометријских информација облака тачака и погодан је за 3Д компресију облака тачака применљиву на различите врсте сцена.
Кључне речи: компресија геометрије облака тачака; облаци тачака једног кадра; мулти-фраме поинт цлоудс; предиктивно кодирање; аритметичко кодирање.

Цитат (Формат 1): ЗХАНГ ХР, ДОНГ З, ВАНГ М С. Просторно-временски контекстуално вођен алгоритам за компресију геометрије облака тачака без губитака [Ј]. ЗТЕ Цоммуницатионс, 2023, 21(4): 17–28. ДОИ: 10.12142/ЗТЕЦОМ.202304003
Цитат (Формат 2): ХР Зханг, З. Донг и МС Ванг, „Просторно-временски контекстуално вођен алгоритам за компресију геометрије облака тачака без губитака“, ЗТЕ Цоммуницатионс, вол. 21, бр. 4, стр. 17–28, децембар 2023. дои: 10.12142/ЗТЕЦОМ.202304003.

 

Увод

Са побољшањем перформанси опреме за аквизицију са више платформи и више резолуције, технологија детекције и домета светлости (ЛиДАР) може ефикасно да симулира 3Д објекте или сцене са огромним скуповима тачака. У поређењу са традиционалним мултимедијалним подацима, подаци облака тачака садрже више физичких мерних информација које представљају објекте из бесплатног viewтачке, чак и сцене са сложеним тополошким структурама. Ово резултира снажним интерактивним и импресивним ефектима који корисницима пружају живописно и реалистично искуство визуелизације. Поред тога, подаци у облаку тачака имају јачу способност заштите од буке и могућност паралелне обраде, што је изгледа привукло пажњу индустрије и академске заједнице, посебно за домене апликација као што је културно наслеђеtagе очување, 3Д имерзивна телеприсутност и аутоматска вожња[1–2].
Међутим, подаци у облаку тачака обично садрже милионе до милијарде тачака у просторним доменима, што доводи до оптерећења и изазова за капацитет простора за складиштење и пропусни опсег мрежног преноса. На пример, уобичајени динамички облак тачака који се користи за забаву обично обухвата отприлике милион тачака по кадру, што, при 30 кадрова у секунди, износи укупну пропусност од 3.6 Гбит/с ако се не компресује[3]. Стога истраживање високоефикасних алгоритама компресије геометрије за облаке тачака има важну теоријску и практичну вредност.
Претходни рад је решио овај проблем директно изградњом мрежа или падова на захтевampлинг, због ограничења у рачунарској рачунарској снази и ефикасности прикупљања облака тачака, што је резултирало ниским перформансама просторно-временске компресије и губитком информација о карактеристикама геометријских атрибута. Недавне студије су се углавном заснивале на компјутерској графици и техникама дигиталне обраде сигнала за имплементацију блок операција података у облаку тачака[4 5] или комбиновану технологију видео кодирања[6 7] за оптимизацију. У 2017. години, Група стручњака за покретне слике (МПЕГ) затражила је предлоге за компресију облака тачака и спровела накнадне дискусије о томе како компримовати ову врсту података. Са све већим приступима компресији облака тачака који су доступни и представљени, 13. су објављени оквири за компресију података у облаку у две тачке—ТМЦ2 и ТМЦ2018. Горенаведено истраживање показује да је постигнут значајан напредак у технологији компресије облака тачака. Међутим, претходни рад се углавном бавио просторном и временском корелацијом облака тачака одвојено, али још увек није био искоришћен до свог пуног потенцијала у компресији облака тачака.
Да бисмо одговорили на горе поменуте изазове, уводимо просторно-временски метод вођен контекстом за компресију геометрије облака тачака без губитака. Прво делимо облаке тачака на јединичне слојеве дуж главне осе. Затим дизајнирамо режим предвиђања преко алгоритма трговачког путника, усвајањем просторно-временске корелације. Коначно, резидуали се уписују у токове битова помоћу коришћеног аритметичког енкодера који се прилагођава контексту. Наши главни доприноси су следећи.
1) Дизајнирамо – режим предвиђања применљив и на облак тачака унутар оквира и на облак тачака између оквира, преко проширеног проблема трговачког путника (ТСП). Користећи и просторне и временске редунданције облака тачака, предвиђање геометрије може боље искористити просторну корелацију и стога омогућити различите врсте сценарија.
2) Представљамо адаптивни аритметички кодер са брзим ажурирањем контекста, који бира оптимални 3Д контекст из контекстног речника и потискује повећање процене ентропије. Као резултат, побољшава ефикасност израчунавања вероватноће ентропијских енкодера и даје значајне резултате компресије.
Остатак овог рада је структуриран на следећи начин. Одељак 2 даје преглед повезаног рада на компресији геометрије облака тачака. Одељак 3 прво представља крајview предложеног оквира. Затим је предложени метод детаљно описан. Експериментални резултати и закључци су представљени у одељцима 4 и 5, респективно.

Повезани рад

У литератури је предложено много алгоритама компресије геометрије облака тачака. ЦАО ет ал. [8] и ГРАЗИОСИ ет ал. [9] спроведу истраживање и резиме тренутних метода компресије облака тачака, фокусирајући се на технологију компресије просторне димензије и оквире стандардизације МПЕГ респективно. Нудимо кратку реview недавног развоја у две категорије: компресија облака тачака у једном кадру и компресија облака тачака у више оквира.

1. Компресија облака тачака једног кадра
   Облаци тачака са једним оквиром се широко користе у инжењерским истраживањима, културном наслеђуtagе очување, географски информациони системи и други сценарији. Октрее је широко коришћена структура података за ефикасно представљање облака тачака, који се могу компримовати снимањем информација кроз заузете чворове. ХУАНГ ет ал.[10] предлаже метод заснован на октару који рекурзивно дели облак тачака на чворове са њиховим позицијама представљеним геометријским центром сваке јединице. ФАН ет ал.[11] додатно побољшати ову методу увођењем кластер анализе да би се генерисала хијерархија нивоа детаља (ЛОД) и кодирање у редоследу у ширину. Међутим, ове методе могу изазвати изобличење због апроксимације оригиналног модела током итеративног процеса.
   Да би се позабавили овим ограничењима, научници су увели карактеристике геометријске структуре, као што су модел троугласте површине[12], модел планарне површине[13 14] и алгоритам груписања[15], за међуслојно предвиђање и израчунавање резидуала . РЕНТЕ и др.[16] предлаже концепт прогресивне слојевите компресије која прво користи структуру октрее за грубо кодирање, а затим користи графску Фуријеову трансформацију за компресију и реконструкцију детаља облака. МПЕГ је 2019. објавио технологију компресије облака тачака засновану на геометрији (Г-ПЦЦ) за статичке и динамичке облаке тачака, која се спроводи кроз трансформацију координата, вокселизацију, анализу геометријске структуре и аритметичко кодирање корак по корак[17].
   Пошто одређени октанти унутар октанта могу бити ретко насељени или чак празни, предложене су неке методе за оптимизацију структуре стабла одсецањем подчворова и стога очување алокације меморије. Фор екampле, ДРИЦОТ ет ал. [18] предлажу инферирани режим директног кодирања (ИДЦМ) за завршетак партиције октрее на основу унапред дефинисаних услова анализе реткости, што укључује орезивање структуре октрее да би се сачували битови додељени подређеним чворовима. ЗХАНГ ет ал. [19] предлажу поделу простора облака тачака дуж главних компоненти и прилагођавање методе партиције из бинарног стабла, квадростабла и окстабла. У поређењу са традиционалним партиционисањем у осмо стабло, хибридни модели поменути изнад могу ефикасно да смање број битова који се користе за представљање ретких тачака, чиме се чувају чворови који треба да се кодирају. Међутим, у процесу су потребни сложени услови хиперпараметара и одређивање режима, што отежава испуњавање захтева самоприлагођавања и ниске сложености.
   Са дубоким неуронским мрежама које су направиле значајан напредак у компресији слике и видеа, истраживачи су истражили начине за даље смањење брзине преноса коришћењем супер претходног навођења и редунданце експресије латентног простора током процеса компресије. КУАЦХ ет ал.[20] и ХУАНГ ет ал.[21] предлажу методе које укључују ове концепте. ГУАРДА и др. комбинују конволуционе неуронске мреже и аутоенкодере да би се искористила редундантност између суседних тачака и побољшала прилагодљивост кодирања у Реф. [22]. Недавно су ВАНГ ет ал. [23] предлажу метод компресије облака тачака засновану на варијационом ауто-кодеру, који побољшава однос компресије учењем хиперприора и смањењем потрошње меморије аритметичког кодирања. Горе поменуте методе користе неуронске мреже енкодере за хватање скривеног вектора високог реда облака тачака, вероватноће ентропијског модела и вероватноће ивице које се боље уклапају, чиме се смањује потрошња меморије аритметичког кодирања. Уопштено говорећи, истраживање геометријске компресије облака тачака у једном кадру је релативно зрело, али још увек постоје два изазова. Просторна корелација није коришћена ефикасно, а већина метода не кодира корелацију података облака тачака темељно и ефикасно. Осим тога, израчунавање модела вероватноће за ентропијско кодирање изгледа дуго и напорно због огромног броја контекста.
2. Компресија облака тачака у више оквира
   Облаци тачака са више оквира се обично користе у сценаријима као што су 3Д имерзивно телеприсуство у реалном времену, интерактивна ВР, 3Д без viewтачка емитовања и аутоматске вожње. За разлику од компресије облака тачака у једном кадру, компресија облака тачака са више кадрова даје приоритет употреби временске корелације, као и процену кретања и компензацију. Постојеће методе за компресију облака тачака у више оквира могу се поделити у две категорије: 2Д пројекција и 3Д декорелација.
   Област компресије слике и видео записа је опсежна и добро је истражена у последњих неколико деценија. Различити алгоритми претварају облаке тачака у слике, а затим их директно компресују помоћу ФФмпег и Х. 265 кодера, итд. АИНАЛА и остали[24] уводе апроксимативни режим кодирања планарне пројекције који кодира и геометрију и атрибуте боја путем растерског скенирања на равни. . Међутим, овај метод изазива промене у облику циља током процеса мапирања, што отежава прецизно међупредвиђење. Стога, СЦХВАРЗ ет ал.[25] и СЕВОМ ет ал.[26] предлажу методе ротиране планарне пројекције, пројекције коцке и методе пројекције засноване на закрпама за претварање облака тачака у 2Д видео записе. Постављањем сличних пројекција у суседне кадрове на истој локацији у суседним сликама, видео компресор може у потпуности уклонити временску корелацију. У Реф. [27], међугеометријско предвиђање се спроводи преко ТСП-а, који израчунава кореспонденцију један-на-један суседних унутар-блокова тражећи блок са најближом просечном вредношћу. МПЕГ је објавио технологију компресије облака тачака засновану на видеу (В-ПЦЦ) за динамичке облаке тачака 2019. године[28]. Овај оквир дели улазни облак тачака на мале блокове са сличним нормалним векторима и непрекидним простором, а затим их конвертује у планарну површину кроз коцке да би снимио слику заузетости и помоћне информације. Све резултујуће слике се компримују зрелим видео кодецима, а сви битстреамови се склапају у један излаз file. Учињени су и други покушаји да се побољша ефикасност ових метода. ЦОСТА и др.[29] искористити неколико нових стратегија паковања закрпа из перспективе оптимизације за алгоритам паковања, везе за паковање података, повезано сортирање и индикаторе позиционирања. Штавише, ПАРК ет ал. [30] дизајнирају метод паковања који се прилагођава подацима који адаптивно групише суседне оквире у исту групу у складу са структурном сличношћу без утицаја на перформансе В-ПЦЦ тока. Због неизбежног губитка информација изазваног пројекцијом облака тачака, научници су развили ефикасне технике за компримовање секвенце облака тачака узастопних кадрова користећи технологију компензације покрета засновану на 3Д простору. КАММЕРЛ ет ал.[31] предлаже метод геометријског кодирања заснованог на октрибу, који постиже високу ефикасност компресије извођењем искључивих ОР (КСОР) разлика између суседних оквира. Овај метод није усвојен само у популарној библиотеци облака тачака (ПЦЛ)[32], већ се и широко користи за даља истраживања алгоритама. Други међуоквирни приступи конвертују проблем 3Д процене кретања у проблем подударања карактеристика[33] или користе реконструисане геометријске информације[34] да предвиде векторе кретања и тачно идентификују одговарајући однос између суседних оквира. Недавне експлозивне студије[35 36] су показале да научена видео компресија нуди боље перформансе изобличења брзине у односу на традиционалне, доносећи значајан референтни значај компресији облака тачака. ЗХАО ет ал.[37] увести двосмерну мрежу за предвиђање између оквира како би се извршило предвиђање између оквира и донело ефективно коришћење релевантних информација у просторним и временским димензијама. КАИА ет ал. [38] дизајнирају нову парадигму за кодирање геометријских карактеристика секвенци густог облака тачака, оптимизујући ЦНН за процену дистрибуције кодирања како би се остварила компресија облака густог тачака без губитака.
   Упркос напретку у технологији компресијског кодирања модела облака тачака са више оквира, и даље постоје два проблема. Постојећи приступи компресије облака тачака са више оквира углавном се ослањају на видео кодирање и компензацију кретања, што неизбежно укључује губитак информација или изобличење узроковано мапирањем и дисконтинуитетом ивица блока. Поред тога, предиктивно кодирање показује ниску применљивост због недоследности геометрије облака тачака између оквира. Привидно померање тачака између оквира и неизбежни шум повећавају потешкоће ефикасног коришћења предиктивног кодирања у компресији између оквира.

Предложени просторно-временски вођен контекстом вођен метод компресије облака геометрије без губитака

Готовоview
Целокупни цевовод нашег просторно-временског контекстуално вођеног алгоритма је приказан на слици 1. Прво, претходно обрађујемо улазни облак тачака применом вокселизације и трансформације размере. Затим се облак тачака дели на слојеве јединичне дебљине дуж главне осе. Затим дизајнирамо режим предвиђања који у потпуности користи информације о временској и просторној корелацији унутар оквира и унутар оквира. Израчунавамо најкраћи пут референтних слојева (Р-слојева) преко алгоритама трговачког путника, а резултати Р-слојева се затим користе за просторно-временско предвиђање и кодирање остатка облака тачака, односно предвиђених слојева (П-слојева ). Коначно, усвојени су побољшани алгоритми ентропијског кодирања да би се добила компресована бинарна датотека file.

Хијерархијска подела заснована на резовима

1. Претходна обрада
   Модул за претходну обраду укључује вокселизацију и трансформацију размера, за боље индексирање сваке одређене тачке. У вокселизацији делимо простор на коцке величине Н, што одговара стварној резолуцији облака тачака. Свакој тачки се додељује јединствени воксел на основу њене позиције. Воксел се бележи као 1; ако је позитивно заузета, иначе је 0. Трансформација скале може смањити реткост ради боље компресије тако што ће умањити облак тачака, где се растојање између тачака смањује. Ми агрегирамо координате облака тачака ( к, и, з) користећи фактор скалирања с, тј.
   Да бисмо обезбедили компресију без губитака, морамо да обезбедимо да фактор скалирања с не може да изазове губитак геометрије и да треба да буде забележен у заглављу file.
2. Подела на слојеве
   Овај модул функционише тако што дели 3Д облак тачака дуж једне од његових оса, стварајући неколико слојева исечених по јединици са само заузетим и незаузетим информацијама које се могу даље компримовати коришћењем предиктивног кодера и аритметичког кодера. Функција је дефинисана као:
   где се Г односи на матрицу координата облака улазних тачака, оса се односи на изабрану димензију, а С (а, б) је 2Д пресек екстрахован од стране сваког слоја. Генерално, ми спроводимо експерименте на великом броју тест секвенци, а резултати сугеришу да подела дуж најдуже осе просторне варијације облака тачака даје најнижи битрате, тј.
3. Минимално издвајање граничног оквира
   У већини случајева, заузети воксели су типично неизбежни и увелико су бројнији од заузетих воксела. Као резултат тога, обрада и кодирање оба типа воксела истовремено оптерећује сложеност рачунара и брзине кодирања алгоритма компресије. Због тога усвајамо оријентисани гранични оквир (ОББ) [39] да бисмо израчунали минимални гранични оквир за сваки исечени слој, обезбеђујући да су правци граничних оквира конзистентни у слојевима. У накнадној обради, компресују се само воксели који се налазе унутар ограниченог правоугаоника.

Предиктивно кодирање вођено просторним контекстом

Циљ предиктивног кодирања вођеног просторним контекстом је кодирање свих тачака слој по слој. Инспирисани ТСП-ом, дизајнирамо режим предвиђања да бисмо истражили потенцијалне налоге и корелацију унутар сваког исеченог слоја. Овај модул се састоји од партиције и израчунавања најкраће путање.
Прво, поделимо исечене слојеве и одредимо Р-слој и Р-слојеве за сваку групу. Прелазимо облак тачака слој по слој дуж изабране осе. Када се дужина главног правца минималног граничног оквира између суседних слојева разликује за одређену јединичну дужину, она се бележи као иста група. У супротном, користи се као референтни слој следеће групе, а сваки облак тачака у следећој групи користи исту најкраћу путању. У овом раду постављамо први слој сваке групе као Р-слој, а остале као П-слојеве. Такође спроводимо експерименте на великом броју тестних секвенци и препоручујемо да овај специфицирани параметар поставите као 3 јединице да бисте добили најбољу компресију.
Након тога вршимо прорачун најкраће путање на Р-слојевима и бележимо остатке играча. Према регулацији дистрибуције облака тачака сваког слоја пресека, оптимално распоређујемо неправилне облаке тачака за сваки слој пресека на основу ТСП алгоритма. Ово нам омогућава да ефикасно израчунамо најкраћи пут до облака тачака Р-слојева, а затим снимимо остатке одговарајућих слојева предвиђања. Алгоритам 1 приказује псеудо-код процедуре предвиђања.

Прво, дефинишемо правило израчунавања удаљености између тачака у локалној области и иницијализујемо стање путање са насумично одабраном тачком пц1. У свакој итерацији, кад год се дода нова тачка пци, пермутација се динамички ажурира кроз путању једначине прелаза стања (П – и, и) све док се све додате тачке не забележе у П по редоследу најкраће путање. Овај процес се постепено мења на основу критеријума минималне удаљености. Након што су све итерације завршене у укупном најкраћем путу, израчунавамо мин дист(пци, пцј ) у сваком од Р-слојева, и врати табелу записа најкраће путање облака тачака у сваком од Р-слојева. За даљу компресију израчунавамо одступање П-слојева од најкраће путање Р-слоја унутар исте групе и бележимо их као предиктивне остатке. Коначно, најкраћа путања Рлаиер-а и резидуали сваке групе се излазе и прослеђују ентропијском кодеру да би даље компримовао остатке предвиђања.

Предиктивно кодирање вођено просторно-временским контекстом
Режим предвиђања вођен просторним контекстом кодира
облаци тачака једног кадра појединачно. Међутим, примена просторног кодирања на сваки појединачни облак тачака засебно може да пропусти могућности које су изложене временским корелацијама у облаку тачака са више оквира. С обзиром на то да облак тачака са више оквира дели велике делове преклапања, фокусирамо се на коришћење привремене редундансе да бисмо додатно побољшали ефикасност компресије. Стога, на основу предложеног режима предвиђања вођеног просторним контекстом, можемо компримовати облак тачака са више оквира идентификацијом кореспонденције између суседних слојева у оквиру оквира.

1. Интер-фраме партиција
   Да би се побољшала ефикасност режима предвиђања између оквира, кључно је обезбедити адекватну сличност између суседних слојева оквира. Као резултат, морамо да поделимо групе између суседних оквира и одредимо Р-слојеве и П-слојеве преко оквира. Проценом најкраће путање П-слојева на основу најкраће путање Р-слојева, бележимо остатке предвиђања и даље их компресујемо кроз ентропијски енкодер. Алгоритам 2 приказује псеудокод партиције између оквира.
   На основу поравнања оријентације исечених слојева, сукцесивно реализујемо грубу и фину партицију. За грубу партицију, сортирамо исечене слојеве сваког оквира на основу координата које одговарају оси поделе, од малих до великих. Као резултат, сваки слој пресека сваког оквира има јединствени број слоја, што нам омогућава да грубо поделимо слојеве пресека са истим бројем између суседних оквира. Након тога, израчунавамо разлику између дужине главне осе минималних граничних оквира суседних слојева са истим бројем. Ако је ова вредност мања или једнака одређеној јединици дужине, слојеви ће бити подељени у исту групу. Иначе, поредимо разлику у дужини осе главног правца минималне граничне кутије у одговарајућем слоју суседног оквира са наведеним слојем пре и после броја у суседном оквиру. Слој са најмањом разликом се затим дели у исту групу. Ово обезбеђује фину партицију између суседних слојева, и тако да се реализује фина партиција суседног односа.
2. Просторно-временски режим предвиђања вођен контекстом
   На основу партиције примењујемо и проширујемо режим предвиђања поменут у одељку 3.3. У процес укључујемо контекст између оквира, што значи да први слој сваке групе, који служи као Р-слој, не мора нужно дати најбољи резултат предвиђања. Да бисмо у потпуности истражили потенцијалну корелацију између суседних слојева, морамо да изложимо оптимални режим предвиђања.
   Прво, израчунавамо остатке предвиђања за сваки исечени слој у тренутној групи када се користи као Р-слој. Упоређивањем резидуала предвиђања у свим случајевима, бирамо Р-слој са најмањом апсолутном резидуалном вредношћу као најбољи режим предвиђања. За израчунавање најкраће путање у Р-слоју, користимо алгоритам трговачког путника да израчунамо најкраћи пут Р-слојева у режиму најбољег предвиђања. Штавише, израчунавамо остатке предвиђања за сваку групу под њиховим одговарајућим најбољим начинима предвиђања. Такође бележимо дужину заузетости и информације о Р-слоју сваке групе за даљу компресију у накнадној обради. У следећој операцији користимо аритметичко кодирање засновано на најбољем избору контекста за горње информације да бисмо завршили цео процес алгоритма компресије геометрије облака тачака са више оквира.

Аритметичко кодирање засновано на речнику контекста
Огромна количина контекста у облаку тачака значајно оптерећује укупну шему компресије у смислу рачунске сложености аритметичког кодирања. Побољшавамо аритметичко кодирање из следећа два модула. 1) Постављамо контекстни речник и бирамо и ажурирамо глобалну оптималну вредност према процени ентропије, а затим 2) усвајамо адаптивне енкодере за ефикасно израчунавање горње и доње границе вероватноће.

1. Конструкција речника контекста
2. Конструишемо речник контекста који представља троструки ред, који се састоји од координата облака тачака на сваком исеченом слоју и целобројне репрезентације његовог одговарајућег непразног контекста. Дакле, повезујемо вокселе садржане у облаку тачака са минималним граничним оквиром сваког слоја са његовим непразним контекстом. Да бисмо јасно илустровали конструкцију низа троструког реда у речнику контекста, дајемо интуитивно објашњење на слици 2. За осенчена два квадрата на слици 2, разматрају се само позиције мапе контекста пц1 и пц2. Допринос контекста дуж к-осе и и-осе се бележи у два реда ККС – и КИ – респективно. Дакле, контекстни речник се састоји од ККС – и КИ -. Елементи реда са истим координатама су интегрисани у триплет, чија се контекстуална целобројна репрезентација израчунава као збир контекстних доприноса спојеног триплета.
   Због тога се контекст сваког воксела може израчунати као збир независних доприноса заузетих воксела у његовом контекстуалном речнику. Ова структура помаже да се утврди да ли воксел треба да се дода контекстуалном речнику без заморног тражења матрице, што резултира значајним смањењем сложености рачунара и времена извођења.
3. Прорачун вероватноће
   Да би се израчунала вероватноћа ентропије, морају се узети у обзир и дужина низа и контекст њених конститутивних воксела. У овом модулу дизајнирамо адаптивни кодер који прво процењује горње и доње кумулативне границе вероватноће за сваку групу из контекстног речника, а затим га кодира. Пре свега, конструишемо бинарно стабло засновано на моделу Марковљевог ланца. Преласком преко заузетости воксела, додељујемо вредности 1 и 0 заузетим и празним вокселима, респективно, и израчунавамо вероватноћу на основу структуре стабла. Почевши од коренског чвора, када је воксел заузет, леви подређени чвор бележимо као 1. У супротном, означавамо десни подређени чвор као 0 и прелазимо на следећи корак просуђивања и поделе. Формула за прорачун за вероватноћу покретања заузетих воксела може се наћи у једначини. (4).

За дужине покретања мање од или једнаке н, може постојати 2н чворова стабла који представљају стања заузетости воксела. Према томе, вероватноћа било ког заузетог воксела је представљена независном заједничком вероватноћом преласка свих стања почевши од корена и завршавајући на било ком чвору стабла без деце. На основу једначине (4), да бисмо извршили аритметичко кодирање заузетости вокселске секвенце, потребне су нам кумулативне горње и доње вероватноће секвенце, као што је приказано у једначини. (5).

Користећи овај приступ, можемо да искористимо адаптивне особине аритметичког кодирања да прилагодимо вредност процене вероватноће сваког симбола на основу оптимизованог модела процене вероватноће и учесталости сваког симбола у тренутној секвенци симбола. Ово нам омогућава да израчунамо горњу и доњу границу кумулативне вероватноће заузетих воксела и завршимо процес кодирања.

Експериментишите

Детаљи имплементације

1. Скуп података. Да бисмо потврдили перформансе нашег предложеног метода, спроведени су опсежни експерименти на 16 скупова података облака тачака који се могу преузети са Реф. [40], као што је приказано на слици 3, на којој Сл. 3(а)– 3(л) су портрети са густим тачкама, а Сл. 3(м) – 3(п) су архитектура са ретким тачкама. Фиг. 3(а) – 3(х) су вокселизоване секвенце података облака тачака горњег дела тела две просторне резолуције добијене од Мицрософта. Фиг. 3(и)–3(л) се бирају од 8и вокселизованих низова података облака тачака пуних тела. Преостали ретки облаци тачака великих размера на Сл. 3(к)–3(п) су статички скупови података о фасади и архитектури.
2. метрика евалуације. Перформансе предложене методе се процењују у смислу бита по тачки (БПП). БПП се односи на збир битова које заузимају координатне информације везане за тачку. Што је нижа вредност, то су боље перформансе. где Сизедиг представља број битова које заузимају информације о координатама података облака тачака, а к се односи на број тачака у оригиналном облаку тачака.
3. Бенцхмаркс. Углавном упоређујемо наш метод са другим основним алгоритмима, укључујући: ПЦЛ-ПЦЦ: компресија заснована на оцтрее у ПЦЛ-у; Г-ПЦЦ (МПЕГ интра-кодер тест модел) и интерЕМ (МПЕГ интер-кодер тест модел) циљају на компресију облака тачака једног и више фрејмова; Силхоуетте 3Д (С3Д)[41] и Силхоуетте 4Д (С4Д)[42] циљају на компресију облака тачака у једном кадру и више кадрова.
   За ПЦЛ, ми користимо приступ компресије облака тачака осмодрвета у ПЦЛ-в1.8.1 само за компресију геометрије. Поставили смо параметре резолуције оцтрее од прецизности тачке и резолуције воксела. За Г-ПЦЦ (ТМ13-в11.0) бирамо геометрију без губитака — стање атрибута без губитака у режиму предвиђања октрее, остављајући параметре као подразумеване. За интерЕМ (тмц3в3.0), користимо експерименталне резултате у условима геометрије без губитака и атрибута без губитака као поређење[43]. За С3Д
   и С4Д, пратимо подразумеване услове и параметре.
4. Хардвер. Предложени алгоритам је имплементиран у Матлаб и Ц++ користећи неке функције ПЦЛ-в1.8.1. Сви експерименти су тестирани на лаптопу са Интел Цоре и7-8750 ЦПУ-ом на 2.20 ГХз са 8 ГБ меморије.

Резултати компресије облака тачака једног кадра

1. Резултати компресије портрета густог облака тачака секвенци података
   Табела 1 показује перформансе наших алгоритама компресије геометрије облака тачака без губитака вођених просторним контекстом у поређењу са ПЦЛ-ПЦЦ, Г-ПЦЦ и С3Д методама на портретима секвенци података густог облака тачака. Из табеле 1 се може видети да за све облаке тачака истих секвенци, предложени метод постиже најнижи БПП компресије у поређењу са другим методама. Наш алгоритам нуди просечну добит од -1.56% до -0.02% у односу на С3Д, и добитке од -10.62% до -1.45% у односу на Г-ПЦЦ. То показује очигледнији адванtagе, односно, побољшања перформанси компресије предложеног алгоритма су у распону од −10.62% до −1.45%; За ПЦЛ-ПЦЦ, предложени алгоритам показује скоро удвостручен добитак на свим секвенцама, у распону од -154.43% до -85.39%.
2. Резултати компресије великих размјера ријетких података облака тачака
   Пошто С3Д не може да ради у овом случају, ми само поредимо наш алгоритам компресије облака тачака геометрије без губитака вођен просторним контекстом са ПЦЛ-ПЦЦ и Г-ПЦЦ методама на великим подацима о ретким облаку тачака. Опет, наш алгоритам постиже значајне перформансе са Г-ПЦЦ и ПЦЛ-ПЦЦ, као што је приказано у табели 1. Резултати су показали да су просечни добици БПП у распону од −8.84% до −4.35% ухваћени у поређењу са Г-ПЦЦ. За ПЦЛ-ПЦЦ, наш предложени алгоритам показује очигледнији предностtagес, са добицима у распону од −34.69% до −23.94%.
3. Резиме
   Да би се обезбедило разумљивије поређење резултата компресије облака тачака једног оквира, Табела 2 представља просечне резултате између наше методе компресије вођене просторним контекстом и других најсавременијих метода бенчмарка. У поређењу са С3Д, наш предложени метод показује просечне добитке у распону од −0.58% до −3.43%. Што се тиче Г-ПЦЦ и ПЦЛ-ПЦЦ, просечни добици постижу најмање −3.43% и −95.03% респективно. Експериментална анализа открива да наш метод компресије вођен просторним контекстом значајно превазилази тренутне С3Д, Г-ПЦЦ и ПЦЛ-ПЦЦ. Дакле, може да задовољи захтеве компресије без губитака геометрије облака тачака за различите типове сцена, на пример, густе или ретке дистрибуције, а ефикасност наше методе доследно остаје.
4. Резултати компресије облака тачака у више оквира
   Процењујемо наш предложени алгоритам компресије геометрије облака тачака вођен просторно-временским контекстом у односу на постојеће алгоритме компресије као што су С4Д, ПЦЛ-ПЦЦ, Г-ПЦЦ и интерЕМ. У овом експерименту се користе само портрети секвенци података облака густих тачака. Резултати су илустровани у.

Табела 1. БПП поређења нашег алгоритма компресије вођеног просторним контекстом и основних метода.

Табела 2. БПП поређење са најсавременијим алгоритмима на подацима облака тачака једног оквира.

Табела 3. Као што видимо, након оптимизације у режиму предвиђања и аритметичком кодеру, предложени алгоритам показује супериорност на свим тест секвенцама. Конкретно, у поређењу са интерЕМ и Г-ПЦЦ, предложени алгоритам показује значајне добитке у распону од -51.94% до -17.13% и -46.62% до -5.7%, респективно. У поређењу са С4Д, предложени алгоритам показује снажно побољшање у распону од -12.18% до -0.33%. Што се тиче ПЦЛ-ПЦЦ, наш предложени алгоритам је скоро преполовљен у односу на све тестне секвенце.
Надаље, сумирамо резултате компресије и добитке предложене методе на секвенцама података густог облака тачака портрета, наведених у табели 4. У просеку, он даје добитке између -11.5% и -2.59% у поређењу са просторним облаком тачака вођеним контекстом претходно предложени алгоритам компресије геометрије. Штавише, показује супериорне просечне добитке од -19% у поређењу са Г-ПЦЦ и постигао је просечни добитак кодирања од -24.55% у поређењу са интерЕМ. Поред тога, у поређењу са С3Д и С4Д, добија више од -6.11% и -3.64% у просеку. Укупна експериментална анализа показује да метод компресије облака тачака вођен просторно-временским контекстом може у потпуности искористити и просторну и временску корелацију суседних слојева унутар оквира унутар оквира и између оквира. Такође побољшавамо избор глобалног контекста и модел вероватноће аритметичког кодера да бисмо добили нижу брзину преноса. Предложени метод превазилази перформансе најсавременијих алгоритама, тако да испуњава захтеве компресије геометрије облака тачака без губитака у сценаријима мултимедијалних апликација као што су динамички портрети.

Табела 3. Бит-пер-поинт поређења нашег алгоритма компресије вођеног просторно-временским контекстом и основних метода.

Табела 4. Поређење бит по тачки са најсавременијим алгоритмима на подацима облака тачака са више оквира.

Аблатион Студи
Изводимо студије аблације на предиктивном кодирању преко 8и вокселизованих секвенци података облака тачака целог тела да бисмо демонстрирали ефикасност партиције. Из табеле 5 се може видети да побољшање показује стабилан добитак од −70% код компресије облака тачака са више оквира и −60% код компресије облака тачака једног оквира у односу на непартиционо предиктивно кодирање.
Затим, изводимо експеримент аблације на аритметичком кодирању да бисмо показали ефикасност речника контекста. Као што је приказано у табели 6, у нашој методи је примећено снажно побољшање од -33% код компресије облака тачака са више оквира и од -41% код компресије облака тачака у једном кадру у односу на аритметичко кодирање без контекстног речника.

Потрошња времена
Тестирамо потрошњу времена да бисмо проценили сложеност алгоритма и упоредили предложене методе са другим. Сложеност алгоритма анализирају кодери и декодери независно, наведени у табели 7. Као што видимо, Г-ПЦЦ, интерЕМ и ПЦЛ-ПЦЦ могу постићи време кодирања мање од 10 с и време декодирања мање од 5 с за подаци о облаку тачака густог портрета. Такође се добро понашају у великим ретким подацима облака тачака у поређењу са другима. Нашим предложеним алгоритмима је потребно око 60 с и 15 с да кодирају и декодирају портретне секвенце, чак и више на подацима у облаку тачака фасаде и архитектуре. Постоји компромис између брзине преноса и брзине компресије. У поређењу са С3Д и С4Д, којима је потребно стотине секунди да се кодирају, наш метод који одузима много времена може показати супериорност.
Укратко, потрошња времена наших предложених метода је средња међу свим упоређеним алгоритмима, али је и даље неопходна за даље побољшање.

Закључци

У овом раду предлажемо просторно-временску методу вођену контекстом за компресију геометрије облака тачака без губитака. Ми сматрамо исечени облак тачака јединичне дебљине као улазну јединицу и усвајамо режим кодирања са предвиђањем геометрије заснован на алгоритму трговачког путника, који се примењује и на унутар оквира и на интер-фраме. Штавише, у потпуности користимо информације о глобалном контексту и прилагодљиви аритметички кодер заснован на брзом ажурирању у контексту да бисмо постигли резултате компресије и декомпресије облака тачака без губитака. Експериментални резултати показују ефикасност наших метода и њихову супериорност у односу на претходне студије. За будући рад, планирамо даље проучавање укупне сложености алгоритма, смањењем сложености алгоритма како би се постигла брза брзина компресије и резултати компресије ниске брзине преноса. Ниска брзина преноса и подржани метод у реалном времену/мало кашњење су веома пожељни у различитим типовима сцена.

Референце

1. МИ КСКС, ИАНГ БС, ДОНГ З, ет ал. Аутоматско 3Д издвајање граница пута и векторизација помоћу МЛС облака тачака [Ј]. ИЕЕЕ трансакције на интелигентним транспортним системима, 2022, 23(6): 5287 – 5297. ДОИ: 10.1109/ ТИТС.2021.3052882
2. ДОНГ З, ЛИАНГ ФКС, ИАНГ БС, ет ал. Регистрација облака тачака великих земаљских ласерских скенера: а реview и бенцхмарк [Ј]. ИСПРС часопис за фотограметрију и даљинску детекцију, 2020, 163: 327–342. ДОИ: 10.1016/ј.испрсјпрс.2020.03.013
3. ГРАЗИОСИ Д, НАКАГАМИ О, КУМА С, ет ал. Ан оверview текућих активности стандардизације компресије облака тачака: на основу видеа (В-ПЦЦ) и засноване на геометрији (Г-ПЦЦ) [Ј]. АПСИПА трансакције о обради сигнала и информација, 2020, 9: е13
4. ДЕ КУЕИРОЗ РЛ, ЦХОУ П А. Компресија 3Д облака тачака коришћењем хијерархијске трансформације која се прилагођава региону [Ј]. ИЕЕЕ трансакције о обради слика, 2016, 25(8): 3947–3956. ДОИ: 10.1109/ТИП.2016.2575005
5. БЛЕТТЕРЕР А, ПАИАН Ф, АНТОНИНИ М, ет ал. Компресија облака тачака помоћу мапа дубине [Ј]. Електронска слика, 2016, 2016(21):1–6
6. МЕКУРИА Р, БЛОМ К, ЦЕСАР П. Дизајн, имплементација и евалуација кодека у облаку тачака за теле-имерзивни видео [Ј]. ИЕЕЕ трансакције на колима и системима за видео технологију, 2017, 27(4): 828 – 842. ДОИ: 10.1109/ ТЦСВТ.2016.2543039
7. ДЕ КУЕИРОЗ РЛ, ЦХОУ П А. Компресија динамичких вокселизованих облака тачака са компензацијом кретања [Ј]. ИЕЕЕ трансакције о обради слика, 2017, 26 (8): 3886–3895. ДОИ: 10.1109/ТИП.2017.2707807
8. ЦАО Ц, ПРЕДА М, ЗАХАРИА Т. 3Д компресија облака тачака: анкета [Ц]// 24. међународна конференција о 3Д Web Технологија. АЦМ, 2019: 1–9. ДОИ: 10.1145/3329714.3338130
9. ГРАЗИОСИ Д, НАКАГАМИ О, КУМА С, ет ал. Ан оверview текућих активности стандардизације компресије облака тачака: на основу видеа (В-ПЦЦ) и засноване на геометрији (Г-ПЦЦ) [Ј]. АПСИПА трансакције о обради сигнала и информација, 2020, 9(1): е13. ДОИ: 10.1017/атсип.2020.12
10. ХУАНГ И, ПЕНГ ЈЛ, КУО ЦЈ, ет ал. Кодирање облака тачака са прогресивном геометријом засновано на Оцтрее [Ц]//3рд Еурограпхицс/ИЕЕЕ ВГТЦ конференција о графики заснованој на тачкама. ИЕЕЕ, 2016: 103–110
11. ФАН ИКС, ХУАНГ И, ПЕНГ Ј Л. Компресија облака тачака заснована на хијерархијском груписању тачака [Ц]// Годишњи самит и конференција Азијско-пацифичког удружења за обраду сигнала и информација. ИЕЕЕ, 2014: 1 – 7. ДОИ: 10.1109/АПСИПА.2013.6694334
12. ДРИЦОТ А, АСЦЕНСО Ј. Прилагодљива супа троугла на више нивоа за кодирање облака тачака засновано на геометрији [Ц]//21. међународна радионица о обради мултимедијалних сигнала (ММСП). ИЕЕЕ, 2019: 1 – 6. ДОИ: 10.1109/ ММСП.2019.8901791
13. ХЕ Ц, РАН ЛК, ВАНГ Л, ет ал. Компресија површине скупа тачака на основу анализе облика облика [Ј]. Мултимедијални алати и апликације, 2017, 76(20): 20545–20565. ДОИ: 10.1007/с11042-016-3991-0
14. ИМДАД У, АСИФ М, АХМАД М, ет ал. Компресија и декомпресија тродимензионалног облака тачака коришћењем полинома првог степена [Ј]. Симметри, 2019, 11(2): 209. ДОИ: 10.3390/сим11020209
15. СУН КСБ, МА Х, СУН ИКС, ет ал. Нови алгоритам компресије облака тачака заснован на груписању [Ј]. ИЕЕЕ роботика и аутоматизација писма, 2019, 4(2): 2132–2139. ДОИ: 10.1109/ЛРА.2019.2900747
16. ДЕ ОЛИВЕИРА РЕНТЕ П, БРИТЕС Ц, АСЦЕНСО Ј, ет ал. Кодирање геометрије статичких 3Д облака тачака засновано на графу [Ј]. ИЕЕЕ трансакције на мултимедији, 2019, 21(2): 284–299. ДОИ: 10.1109/ТММ.2018.2859591
17. ИСО. Компресија облака тачака заснована на геометрији (Г-ПЦЦ): ИСО/ИЕЦ 23090-9 [С]. 2021
18. ДРИЦОТ А, АСЦЕНСО Ј. Кодирање геометрије облака тачака хибридног осмодрвета и равни [Ц]//27. европска конференција за обраду сигнала (ЕУСИПЦО). ИЕЕЕ, 2019: 1–5
19. ЗХАНГ Кс, ГАО В, ЛИУ С. Имплицитна геометријска партиција за компресију облака тачака [Ц]//Процеедингс оф 2020 Дата Цомпрессион Цонференце (ДЦЦ). ИЕЕЕ, 2020: 73–82. ДОИ: 10.1109/ДЦЦ47342.2020.00015
20. КУАЦХ М, ВАЛЕНЗИСЕ Г, ДУФАУКС Ф. Учење конволуционих трансформација за компресију геометрије облака тачака са губицима [Ц]//Међународна конференција ИЕЕЕ о обради слика (ИЦИП) 2019. ИЕЕЕ, 2019: 4320–4324. ДОИ: 10.1109/ИЦИП.2019.8803413
21. ХУАНГ ТКС, ЛИУ И. Компресија 3Д геометрије облака тачака на дубоком учењу [Ц]//27. Међународна конференција АЦМ о мултимедији. АЦМ, 2019: 890–898. ДОИ: 10.1145/3343031.3351061
22. ГУАРДА АФР, РОДРИГУЕС НММ, ПЕРЕИРА Ф. Кодирање у облаку тачака: Усвајање приступа заснованог на дубоком учењу [Ц]//Симпозијум кодирања слика (ПЦС). ИЕЕЕ, 2020: 1–5. ДОИ: 10.1109/ПЦС48520.2019.8954537
23. ВАНГ ЈК, ЗХУ Х, МА З, ет ал. Компресија геометрије наученог облака тачака [ЕБ/ОЛ]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. АИНАЛА К, МЕКУРИА РН, КХАТХАРИА Б, ет ал. Побољшани слој побољшања за компресију облака тачака засновану на октрибу са апроксимацијом равни пројекције [Ц]//СПИЕ Оптички инжењеринг+Апликације. СПИЕ, 2016: 223– 231. ДОИ: 10.1117/12.2237753
25. СЦХВАРЗ С, ХАННУКСЕЛА ММ, ФАКОУР-СЕВОМ В, ет ал. 2Д видео кодирање волуметријских видео података [Ц]//Пицтуре Цодинг Симпосиум (ПЦС). ИЕЕЕ, 2018: 61–65. ДОИ: 10.1109/ПЦС.2018.8456265
26. ФАКОУР СЕВОМ В, СЦХВАРЗ С, ГАББОУЈ М. Геометријски вођена 3Д интерполација података за динамичко кодирање облака тачака засновано на пројекцији [Ц]//7. европска радионица о обради визуелних информација (ЕУВИП). ИЕЕЕ, 2019: 1–6. ДОИ: 0.1109/ЕУВИП.2018.8611760
27. КАТХАРИИА Б, ЛИ Л, ЛИ З, ет ал. Компресија геометрије динамичког облака тачака без губитака са интеркомпензацијом и предвиђањем трговачког путника [Ц]// Конференција о компресији података. ИЕЕЕ, 2018: 414. ДОИ: 10.1109/ ДЦЦ.2018.00067
28. ИСО. Визуелно волуметријско кодирање засновано на видеу (В3Ц) и компресија облака тачака заснована на видеу: ИСО/ИЕЦ 23090-5 [С]. 2021
29. ПАРК Ј, ЛЕЕ Ј, ПАРК С, ет ал. Кодирање мапе заузетости засновано на пројекцији за компресију 3Д облака тачака [Ј]. ИЕИЕ трансакције о паметној обради и рачунарству, 2020, 9(4): 293–297. ДОИ: 10.5573/иеиеспц.2020.9.4.293
30. ЦОСТА А, ДРИЦОТ А, БРИТЕС Ц, ет ал. Побољшано паковање закрпа за МПЕГ В-ПЦЦ стандард [Ц]//ИЕЕЕ 21. Међународна радионица о обради мултимедијалних сигнала (ММСП). ИЕЕЕ, 2019: 1 – 6. ДОИ: 10.1109/ ММСП.2019.8901690
31. КАММЕРЛ Ј, БЛОДОВ Н, РУСУ РБ, ет ал. Компресија токова облака тачака у реалном времену [Ц]//Процеедингс оф 2012 ИЕЕЕ Интернатионал Цонференце он Роботицс анд Аутоматион. ИЕЕЕ, 2012: 778 – 785. ДОИ: 10.1109/ ИЦРА.2012.6224647
32. ПЦЛ. Библиотека облака тачака. [ЕБ/ОЛ]. [2023-09-01]. http://pointclouds.org/
33. ТХАНОУ Д, ЦХОУ ПА, ФРОССАРД П. Компресија динамичких 3Д секвенци облака тачака заснована на графу [Ј]. ИЕЕЕ трансакције о обради слика, 2016, 25(4): 1765–1778. ДОИ: 10.1109/ТИП.2016.2529506
34. ЛИ Л, ЛИ З, ЗАКХАРЦХЕНКО В, ет ал. Напредно 3Д предвиђање кретања за компресију атрибута облака тачака засновано на видео запису [Ц]//Конференција о компресији података (ДЦЦ). ИЕЕЕ, 2019: 498–507. ДОИ: 10.1109/ДЦЦ.2019.00058
    ЗХАО ЛЛ, МА КК, ЛИН КСХ, ет ал. Компресија ЛиДАР облака тачака у реалном времену коришћењем двосмерног предвиђања и кодирања са покретним зарезом који се прилагођава опсегу [Ј]. ИЕЕЕ трансакције о емитовању, 2022, 68(3): 620 – 635. ДОИ: 10.1109/ТБЦ.2022.3162406
35. ЛИН ЈП, ЛИУ Д, ЛИ ХК, ет ал. М-ЛВЦ: Предвиђање више кадрова за научену видео компресију [Ц]//ИЕЕЕ/ЦВФ конференција о компјутерском виду и препознавању узорака. ИЕЕЕ, 2020: 3543 – 3551. ДОИ: 10.1109/ ЦВПР42600.2020.00360
36. ИАНГ Р, МЕНТЗЕР Ф, ВАН ГООЛ Л, ет ал. Учење за видео компресију са хијерархијским квалитетом и периодичним побољшањем [Ц]//ИЕЕЕ/ЦВФ конференција о компјутерском виду и препознавању узорака. ИЕЕЕ, 2020: 6627–6636.ДОИ: 10.1109/ЦВПР42600.2020.00666
37. КАИА ЕЦ, ТАБУС И. Компресија секвенци облака тачака без губитака коришћењем ЦНН модела оптимизованих за секвенцу [Ј]. ИЕЕЕ приступ, 2022, 10: 83678 –83691. ДОИ: 10.1109/АЦЦЕСС.2022.3197295
38. ДИНГ С, МАННАН МА, ПОО А Н. Оријентисана гранична кутија и глобална детекција интерференције заснована на октарбу у 5-осној машинској обради површина слободног облика [Ј]. Компјутерско пројектовање, 2004, 36(13): 1281-1294
39. АЛЕКСИОУ Е, ВИОЛА И, БОРГЕС ТМ, ет ал. Свеобухватна студија перформанси изобличења брзине у МПЕГ компресији облака тачака [Ј]. АПСИПА трансакције о обради сигнала и информација, 2019, 8: е27. дои:10.1017/ АТСИП.2019.20
40. ПЕИКСОТО Е. Компресија геометрије облака тачака унутар оквира коришћењем дијадичке декомпозиције [Ј]. Писма за обраду сигнала ИЕЕЕ, 2020, 27: 246–250. ДОИ: 10.1109/ЛСП.2020.2965322
41. РАМАЛХО Е, ПЕИКСОТО Е, МЕДЕИРОС Е. Силуета 4Д са избором контекста: компресија геометрије динамичких облака тачака без губитака [Ј]. ИЕЕЕ Сигнал Процессинг Леттерс, 2021, 28: 1660 – 1664. ДОИ: 10.1109/лсп.2021.3102525
42. ИСО. Уобичајени услови испитивања за Г-ПЦЦ документ Н00106: ИСО/ИЕЦ ЈТЦ 1/СЦ 29/ВГ 7 МПЕГ [С]. 2021

Биографије

• ЗХАНГ Хуиран дипломирала је и магистрирала на Факултету за геодезију и геоматику и Државној кључној лабораторији за информациони инжењеринг у геодетском мапирању и даљинском детекцији, обе на Универзитету Вухан, Кина, 2020. и 2023. године. Тренутно је геодет Гуангзхоу Урбан Планнинг анд Десигн Сурвеи Ресеарцх Институте, Кина. Њена истраживачка интересовања обухватају обраду и компресију података у облаку тачака. Учествовала је у неколико пројеката везаних за област даљинске детекције и објавила један рад у Геоматици и информационим наукама Универзитета Вухан.
• ДОНГ Зхен (донгзхенвху@вху.еду.цн) стекао је диплому и докторат из даљинске детекције и фотограметрије на Универзитету Вухан у Кини 2011. и 2018. године. Он је професор у Државној кључној лабораторији информационог инжењеринга у геодетским прегледима, мапирању и даљинском детекцији (ЛИЕСМАРС), Универзитета Вухан. Његови истраживачки интереси обухватају 3Д реконструкцију, разумевање сцене, обраду облака тачака, као и њихову примену у интелигентном транспортном систему, дигиталним градовима близанцима, урбаном одрживом развоју и роботици. Освојио је преко 10 признања са разних домаћих и међународних такмичења и објавио око 60 радова у разним часописима и конференцијама.
  ВАНГ Мингсхенг дипломирао је на Факултету рачунарских наука и технологије на Универзитету Јилин, Кина 2001. године и магистрирао на Факултету рачунарских наука и инжењерства на Технолошком универзитету Јужне Кине, Кина 2004. године. Тренутно је виши инжењер у Гуангзхоу Урбан Планнинг & Десигн Сурвеи Ресеарцх Институте, Кина. Његови истраживачки интереси обухватају рачунарске апликације и софтвер, физиографију и геодетско истраживање. Освојио је преко 20 признања са разних републичких такмичења и објавио око 50 радова у разним часописима и конференцијама.

ДОИ: 10.12142/ЗТЕЦОМ.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, објављено онлајн 8. новембра 2023
Рукопис примљен: 2023

Документи / Ресурси

ЗТЕ вођени алгоритам за компресију геометрије облака тачака без губитака [пдф] Упутство за кориснике Вођени алгоритам за компресију геометрије облака тачака без губитака, вођени, алгоритам за компресију геометрије облака тачака без губитака, компресију геометрије облака тачака без губитака, компресију геометрије облака тачака, компресију геометрије

Референце

• Упутство за употребу