Керований алгоритм ZTE для стиснення геометрії хмари точок без втрат

Технічні характеристики:

• Назва продукту: Просторово-часовий контекстно-керований алгоритм для стиснення геометрії хмари точок без втрат
• Автори: ЧЖАН Хуіран, ДУН Чжень, ВАН Міншен
• Опубліковано: грудень 2023 р
• DOI: 10.12142/ZTECOM.202304003

Інструкція з використання продукту

Вступ:
Продукт призначений для ефективного стиснення даних хмари точок, вирішення проблем, пов’язаних із ємністю пам’яті та пропускною здатністю мережі.

Основні особливості:

1. Режим передбачення, застосовний до внутрішньокадрових і міжкадрових хмар точок із використанням розширеної задачі комівояжера.
2. Адаптивний арифметичний кодер із швидким оновленням контексту для ефективного обчислення ймовірності та результатів стиснення.

Етапи використання:

Крок 1: Розділіть хмари точок
Розділіть хмари точок на одиничні шари вздовж головної осі.

Крок 2: Режим прогнозування дизайну
Створіть режим прогнозування за допомогою алгоритму комівояжера, щоб використовувати просторові та часові надмірності.

Крок 3: Кодування залишків
Записуйте залишки в бітові потоки за допомогою контекстно-адаптивного арифметичного кодера для стиснення.

FAQ:

• З: Які ключові переваги використання цього продукту?
  A: Продукт забезпечує ефективне стиснення даних хмари точок, використовуючи просторові та часові кореляції для покращених результатів стиснення.
• З: Чи може цей продукт працювати з хмарами точок як з одним, так і з кількома кадрами?
  A: Так, режим передбачення застосовний як до внутрішньокадрових, так і до міжкадрових хмар точок, що дозволяє створювати різноманітні сценарії використання.

ЧЖАН Хуіран, ДУН Чжень, ВАН Міншен

1. Науково-дослідний інститут міського планування та дизайну Гуанчжоу, Гуанчжоу 510060, Китай;
2. Ключова лабораторія Guangdong Enterprise для міського зондування, моніторингу та раннього попередження, Гуанчжоу 510060, Китай;
3. Державна ключова лабораторія інформаційної інженерії в геодезичному картографуванні та дистанційному зондуванні, Уханьський університет, Ухань 430079, Китай)

Анотація: Стиснення хмари точок має вирішальне значення для розгортання 3D-репрезентацій фізичного світу, таких як 3D-імерсивна телеприсутність, автономне водіння та культурна спадщинаtagе збереження. Однак дані хмари точок розподіляються нерівномірно та непостійно в просторових і часових областях, де надлишкові незайняті вокселі та слабкі кореляції в 3D-просторі роблять досягнення ефективного стиснення складною проблемою. У цій статті ми пропонуємо просторово-часовий контекстно-керований алгоритм для стиснення геометрії хмари точок без втрат. Запропонована схема починається з поділу хмари точок на нарізані шари одиничної товщини вздовж найдовшої осі. Потім він представляє метод прогнозування, де доступні як внутрішньокадрові, так і міжкадрові хмари точок, шляхом визначення відповідності між суміжними шарами та оцінки найкоротшого шляху за допомогою алгоритму комівояжера. Нарешті, нечисленний залишок передбачення ефективно стискається за допомогою оптимальних методів арифметичного кодування, керованих контекстом, і адаптивних методів швидкого кодування. Експерименти доводять, що запропонований метод може ефективно досягти стиснення геометричної інформації про хмару точок із низькою швидкістю потоку без втрат і підходить для стиснення 3D-хмари точок, застосовного до різних типів сцен.
Ключові слова: стиснення геометрії хмари точок; однокадрові хмари точок; багатокадрові хмари точок; прогнозне кодування; арифметичне кодування.

Цитата (Формат 1): ZHANG HR, DONG Z, WANG M S. Просторово-часовий контекстно-керований алгоритм для стиснення геометрії хмари точок без втрат [J]. ZTE Communications, 2023, 21(4): 17–28. DOI: 10.12142/ZTECOM.202304003
Цитата (Формат 2): HR Zhang, Z. Dong і MS Wang, «Просторово-часовий контекстно-керований алгоритм для стиснення геометрії хмари точок без втрат», ZTE Communications, том. 21, вип. 4, стор. 17–28, грудень 2023 р. doi: 10.12142/ZTECOM.202304003.

 

вступ

Завдяки покращенню продуктивності обладнання для збору даних із різними платформами та роздільною здатністю, технологія виявлення та визначення діапазону світла (LiDAR) може ефективно імітувати 3D-об’єкти чи сцени з масивними наборами точок. У порівнянні з традиційними мультимедійними даними, дані хмари точок містять більше фізичної вимірювальної інформації, яка представляє об’єкти з вільного місця viewточки, навіть сцени зі складною топологічною структурою. Це призводить до сильних інтерактивних ефектів занурення, які забезпечують користувачам яскраву та реалістичну візуалізацію. Крім того, дані хмари точок мають сильнішу шумозаглушувальну здатність і можливість паралельної обробки, що, здається, привернуло увагу промисловості та академічних кіл, особливо для таких областей застосування, як культурна спадщинаtage збереження, 3D-імерсивна телеприсутність і автоматичне водіння[1–2].
Однак дані хмари точок зазвичай містять від мільйонів до мільярдів точок у просторових областях, що створює тягар і проблеми для ємності простору зберігання та пропускної здатності мережі. Наприклад, звичайна динамічна хмара точок, яка використовується для розваг, зазвичай містить приблизно один мільйон точок на кадр, що при 30 кадрах на секунду становить загальну пропускну здатність 3.6 Гбіт/с, якщо її не стиснути [3]. Тому дослідження високоефективних алгоритмів стиснення геометрії для хмар точок мають важливе теоретичне та практичне значення.
Попередні роботи вирішували цю проблему шляхом безпосереднього створення сіток або відключень на вимогуampлінг, через обмеження обчислювальної потужності комп’ютера та ефективності збирання хмари точок, що призвело до низької продуктивності просторово-часового стиснення та втрати інформації про геометричні атрибути. Нещодавні дослідження в основному базувалися на комп’ютерній графіці та техніках цифрової обробки сигналів для реалізації блокових операцій над даними хмари точок [4 5] або комбінованої технології відеокодування [6 7] для оптимізації. У 2017 році експертна група Moving Picture (MPEG) запросила пропозиції щодо стиснення хмари точок і провела подальші дискусії щодо того, як стиснути цей тип даних. З огляду на те, що підходи до стиснення хмари точок доступні та представлені, у 13 році були випущені інфраструктури стиснення даних хмари двох точок — TMC2 та TMC2018. Наведені вище дослідження показують, що в технології стиснення хмари точок досягнуто значного прогресу. Однак попередня робота здебільшого стосувалася окремого просторового та часового співвідношення хмар точок, але ще не використовувалася в повній мірі їх потенціал у стисненні хмари точок.
Щоб вирішити вищезазначені проблеми, ми представляємо просторово-часовий контекстно-керований метод для стиснення геометрії хмари точок без втрат. Спочатку ми розділяємо хмари точок на одиничні шари вздовж головної осі. Потім ми розробляємо режим прогнозування за допомогою алгоритму комівояжера, застосовуючи просторово-часову кореляцію. Нарешті, залишки записуються в бітові потоки за допомогою контекстно-адаптивного арифметичного кодера. Наші основні внески такі.
1) Ми розробляємо – режим прогнозування, застосовний як до внутрішньокадрової, так і міжкадрової хмари точок за допомогою розширеної проблеми комівояжера (TSP). Використовуючи як просторову, так і часову надлишковість хмар точок, передбачення геометрії може краще використовувати просторову кореляцію, а отже, уможливити різні типи сценаріїв.
2) Ми представляємо адаптивний арифметичний кодер із швидким оновленням контексту, який вибирає оптимальний 3D-контекст із контекстного словника та пригнічує збільшення оцінки ентропії. Як результат, це підвищує ефективність обчислення ймовірності ентропійних кодерів і дає значні результати стиснення.
Решта цього документа структурована наступним чином. У розділі 2 наведено план відповідної роботи зі стиснення геометрії хмари точок. Розділ 3 спочатку представляє оверview запропонованої рамки. Далі детально описується запропонований спосіб. Експериментальні результати та висновки представлені у розділах 4 та 5 відповідно.

Схожа робота

У літературі було запропоновано багато алгоритмів стиснення геометрії хмари точок. CAO та ін. [8] і GRAZIOSI et al. [9] проводять дослідження та підсумовують поточні методи стиснення хмари точок, зосереджуючись на технології стиснення просторових розмірів і рамках стандартизації MPEG відповідно. Подаємо короткий реview останніх розробок у двох категоріях: однокадрове стиснення хмари точок і багатокадрове стиснення хмари точок.

1. Хмарне стиснення точок одного кадру
   Однокадрові хмари точок широко використовуються в інженерних дослідженнях, культурній спадщиніtagзбереження, географічні інформаційні системи та інші сценарії. Октодерево — це широко використовувана структура даних для ефективного представлення хмар точок, які можна стиснути шляхом запису інформації через зайняті вузли. HUANG та інші.[10] запропонувати метод на основі октодерева, який рекурсивно розбиває хмару точок на вузли з їхніми позиціями, представленими геометричним центром кожної одиниці. FAN та ін. [11] далі вдосконалити цей метод, запровадивши кластерний аналіз для генерації ієрархії рівня деталізації (LOD) і кодуючи її в порядку ширини. Однак ці методи можуть викликати спотворення через наближення вихідної моделі під час ітераційного процесу.
   Щоб усунути ці обмеження, вчені запровадили геометричні особливості структури, такі як модель трикутної поверхні [12], модель плоскої поверхні [13 14] і алгоритм кластеризації [15] для міжшарового прогнозування та розрахунку залишків. . RENTE та ін. [16] запропонувати концепцію прогресивного багаторівневого стиснення, яке спочатку використовує структуру октодерева для грубозернистого кодування, а потім використовує графове перетворення Фур’є для стиснення та реконструкції деталей хмари. У 2019 році MPEG випустив технологію стиснення хмари точок на основі геометрії (G-PCC) як для статичних, так і для динамічних хмар точок, яка реалізується за допомогою покрокового перетворення координат, вокселізації, аналізу геометричної структури та арифметичного кодування [17].
   Оскільки певні октанти в октанті можуть бути рідко заповненими або навіть порожніми, були запропоновані деякі методи для оптимізації структури дерева шляхом скорочення підвузлів і, отже, збереження розподілу пам’яті. наприкладample, DRICOT та ін. [18] пропонують висновок про режим прямого кодування (IDCM) для завершення розділу октодерева на основі попередньо визначених умов аналізу розрідженості, який передбачає скорочення структури октодерева для збереження бітів, виділених дочірнім вузлам. ZHANG та ін. [19] пропонують підрозділити простір хмари точок уздовж головних компонентів і адаптувати метод розділення з бінарного дерева, квадродерева та октодерева. У порівнянні з традиційним розділенням октодерева, згадані вище гібридні моделі можуть ефективно зменшити кількість бітів, що використовуються для представлення розріджених точок, таким чином зберігаючи вузли, які потрібно кодувати. Однак у процесі необхідні складні гіперпараметричні умови та визначення режиму, що ускладнює виконання вимог самоадаптації та низької складності.
   З глибокими нейронними мережами, які досягли значних успіхів у стисненні зображень і відео, дослідники дослідили способи подальшого зниження швидкості потоку, використовуючи суперпопереднє керівництво та надмірність вираження прихованого простору під час процесу стиснення. QUACH та інші.[20] і HUANG та інші.[21] запропонувати методи, які включають ці поняття. GUARDA та ін. поєднати згорточні нейронні мережі та автокодери для використання надмірності між суміжними точками та підвищення адаптивності кодування в Ref. [22]. Нещодавно WANG та ін. [23] пропонують метод стиснення хмари точок, заснований на варіаційному автокодері, який покращує ступінь стиснення шляхом вивчення гіперпріора та зменшення споживання пам’яті арифметичного кодування. Вищезазначені методи використовують кодери нейронної мережі для захоплення прихованого вектора високого порядку хмари точок, ймовірності ентропійної моделі та крайові ймовірності яких краще підходять, таким чином зменшуючи споживання пам’яті для арифметичного кодування. Загалом, дослідження геометричного стиснення хмари точок одного кадру є відносно зрілими, але залишаються дві проблеми. Просторова кореляція не використовується ефективно, і більшість методів не кодують кореляцію даних хмари точок ретельно та ефективно. Крім того, розрахунок імовірнісної моделі для ентропійного кодування виявляється довгим і важким через величезну кількість контекстів.
2. Хмарне стиснення точок кількох кадрів
   Багатокадрові хмари точок зазвичай використовуються в таких сценаріях, як телеприсутність у режимі реального часу 3D, інтерактивна віртуальна реальність, без 3D viewточкове мовлення та автоматичне водіння. На відміну від однокадрового стиснення хмари точок, багатокадрове стиснення хмари точок пріоритетним є використання часової кореляції, а також оцінки руху та компенсації. Існуючі методи стиснення багатокадрової хмари точок можна розділити на дві категорії: 2D-проекція та 3D-декореляція.
   Сфера стиснення зображень і відео є великою та добре вивченою за останні кілька десятиліть. Різні алгоритми перетворюють хмари точок на зображення, а потім стискають їх прямо за допомогою кодувальників FFmpeg і H. 265 тощо. AINALA та інші [24] запроваджують режим наближеного кодування планарної проекції, який кодує геометрію та колірні атрибути за допомогою растрового сканування на площині. . Однак цей метод викликає зміни у формі цілі під час процесу відображення, що ускладнює точне інтерпрогнозування. Тому SCHWARZ та ін. [25] і SEVOM та ін.[26] пропонують методи поворотної планарної проекції, кубічної проекції та методів проекції на основі патчів для перетворення хмар точок у 2D відео, відповідно. Розміщуючи подібні проекції в суміжних кадрах в одному місці на сусідніх зображеннях, відеокомпресор може повністю усунути часову кореляцію. У посил. [27], міжгеометричне прогнозування здійснюється через TSP, який обчислює однозначну відповідність суміжних внутрішньоблоків шляхом пошуку блоку з найближчим середнім значенням. У 2019 році MPEG випустив технологію стиснення хмари точок на основі відео (V-PCC) для динамічних хмар точок[28]. Ця структура ділить вхідну хмару точок на невеликі блоки зі схожими нормальними векторами та безперервним простором, а потім перетворює їх на плоску поверхню через куби для запису зображення зайнятості та допоміжної інформації. Усі отримані зображення стискаються сучасними відеокодеками, а всі бітові потоки збираються в єдиний вихід file. Були зроблені й інші спроби підвищити ефективність цих методів. COSTA та ін.[29] використовувати кілька нових стратегій упаковки латок з точки зору оптимізації алгоритму упаковки, посилань упаковки даних, відповідного сортування та індикаторів позиціонування. Крім того, PARK et al. [30] розробили метод адаптивного пакування даних, який адаптивно групує суміжні кадри в одну групу відповідно до структурної подібності, не впливаючи на продуктивність потоку V-PCC. Через неминучу втрату інформації, спричинену проекцією хмари точок, вчені розробили ефективні методи стиснення послідовності хмари точок послідовних кадрів за допомогою технології компенсації руху на основі 3D-простору. KAMMERL та ін. [31] запропонувати метод геометричного кодування на основі октодерева, який досягає високої ефективності стиснення шляхом виконання різниці виняткового АБО (XOR) між сусідніми кадрами. Цей метод був не тільки прийнятий у популярній бібліотеці Point Cloud Library (PCL) [32], але також широко використовувався для подальших досліджень алгоритмів. Інші міжкадрові підходи перетворюють проблему тривимірної оцінки руху в задачу зіставлення функцій [3] або використовують реконструйовану геометричну інформацію [33] для прогнозування векторів руху та точної ідентифікації відповідного відношення між суміжними кадрами. Нещодавні вибухові дослідження [34 35] показали, що навчене стиснення відео забезпечує кращі показники швидкості спотворення порівняно з традиційними, надаючи значне еталонне значення стисненню хмари точок. ZHAO та ін. [36] представити двонаправлену мережу міжкадрового прогнозування для виконання міжкадрового прогнозування та ефективного використання відповідної інформації в просторових і часових вимірах. KAYA та ін. [37] розробляють нову парадигму для кодування геометричних особливостей послідовностей щільних хмар точок, оптимізуючи CNN для оцінки розподілу кодування для реалізації стиснення без втрат щільних хмар точок.
   Незважаючи на прогрес у технології кодування стиснення багатокадрових моделей хмари точок, залишаються дві проблеми. Існуючі підходи до стиснення багатокадрової хмари точок в основному покладаються на відеокодування та компенсацію руху, що неминуче передбачає втрату або спотворення інформації, викликане відображенням і розривами країв блоку. Крім того, прогнозне кодування демонструє низьку застосовність через неузгодженість міжкадрової геометрії хмари точок. Очевидне зміщення точок між кадрами та неминучий шум ускладнюють ефективне використання прогнозного кодування під час міжкадрового стиснення.

Пропонований метод стиснення хмари точок геометрії без втрат у просторово-часовому контексті

закінченоview
Загальний конвеєр нашого просторово-часового контекстно-керованого алгоритму показаний на рис. 1. Спочатку ми попередньо обробляємо вхідну хмару точок, застосовуючи вокселізацію та трансформацію масштабу. Потім хмара точок розбивається на нарізані шари одиничної товщини вздовж головної осі. Далі ми розробляємо режим прогнозування, який повністю використовує інформацію про часову та просторову кореляцію як усередині кадру, так і між кадром. Ми обчислюємо найкоротший шлях точок базових шарів (R-шарів) за допомогою алгоритмів комівояжера, а результати R-шарів потім використовуються для просторово-часового прогнозування та кодування решти хмар точок, а саме прогнозованих шарів (P-шарів ). Нарешті, вдосконалені алгоритми ентропійного кодування застосовуються для отримання стисненого двійкового файлу file.

Ієрархічний розподіл зображень на основі фрагментів

1. Попередня обробка
   Модуль попередньої обробки включає вокселізацію та трансформацію масштабу для кращої індексації кожної окремої точки. У вокселізації ми ділимо простір на куби розміром N, що відповідає фактичній роздільній здатності хмари точок. Кожній точці призначається унікальний воксель на основі її положення. Воксель записується як 1; якщо він позитивно зайнятий, в іншому випадку він дорівнює 0. Трансформація масштабу може зменшити розрідженість для кращого стиснення шляхом зменшення масштабу хмари точок, де відстань між точками стає меншою. Ми агрегуємо координати хмари точок (x, y, z), використовуючи коефіцієнт масштабування s, тобто
   Щоб забезпечити стиснення без втрат, нам потрібно переконатися, що коефіцієнт масштабування s не може спричинити втрату геометрії та має бути записаний у заголовку file.
2. Нарізно-пластовий поділ
   Цей модуль працює, розділяючи тривимірну хмару точок уздовж однієї з її осей, створюючи кілька розділених на одиницю шарів лише з зайнятою та незайнятою інформацією, яку можна додатково стиснути за допомогою інтелектуального кодера та арифметичного кодера. Функція визначається як:
   де G відноситься до вхідної матриці координат хмари точок, вісь стосується вибраного розміру, а S (a, b) є двовимірним зрізом, виділеним кожним шаром. Загалом ми проводимо експерименти на великій кількості тестових послідовностей, і результати свідчать про те, що поділ уздовж найдовшої осі просторової варіації хмари точок дає найнижчий бітрейт, тобто
3. Мінімальне виділення обмежувальної рамки
   У більшості випадків зайнятих вокселів зазвичай не уникнути, і їх кількість значно перевищує кількість зайнятих вокселів. Як наслідок, обробка та кодування обох типів вокселів одночасно обтяжує обчислювальну складність і швидкість кодування алгоритму стиснення. Тому ми використовуємо орієнтовану обмежувальну рамку (OBB) [39], щоб обчислити мінімальну обмежувальну рамку для кожного нарізаного шару, забезпечуючи узгодженість напрямків обмежувальних рамок між шарами. Під час подальшої обробки стискаються лише вокселі, розташовані в межах обмеженого прямокутника.

Просторове контекстно-кероване прогнозоване кодування

Метою просторового контекстно-керованого прогнозованого кодування є кодування всіх точок шар за шаром. Натхненний TSP, ми розробляємо режим прогнозування для дослідження потенційних порядків і кореляції в кожному шарі зрізів. Цей модуль складається з розбиття та розрахунку найкоротшого шляху.
Спочатку ми розділяємо нарізані шари та визначаємо R-шар і R-шари для кожної групи. Ми шар за шаром обходимо хмару точок вздовж вибраної осі. Якщо довжина основного напрямку мінімальної обмежувальної рамки між сусідніми шарами відрізняється на задану одиницю довжини, вона записується як одна група. В іншому випадку він використовується як опорний рівень наступної групи, і кожна хмара точок у наступній групі використовує той самий найкоротший шлях. У цьому документі ми встановили перший шар кожної групи як R-шар, а інші як P-шари. Ми також проводимо експерименти на великій кількості тестових послідовностей і рекомендуємо встановити вказаний параметр як 3 одиниці, щоб отримати найкраще стиснення.
Після цього ми проводимо розрахунок найкоротшого шляху на R-шарах і записуємо залишки гравців. Відповідно до регулювання розподілу хмари точок кожного шару зрізу ми оптимально розташовуємо нерегулярні хмари точок для кожного шару зрізу на основі алгоритму TSP. Це дозволяє нам ефективно обчислити найкоротший шлях до хмари точок R-шарів, а потім записати залишки відповідних прогнозованих шарів. Алгоритм 1 показує псевдокод процедури передбачення.

По-перше, ми визначаємо правило обчислення відстані між точками в локальній області та ініціалізуємо стан шляху випадково вибраною точкою pc1. У кожній ітерації, коли додається нова точка pci, перестановка динамічно оновлюється через шлях рівняння переходу стану (P – i, i), доки всі додані точки не будуть записані в P у порядку найкоротшого шляху. Цей процес змінюється поступово на основі критерію мінімальної відстані. Після завершення всіх ітерацій на загальному найкоротшому шляху ми обчислюємо min dist(pci, pcj ) у кожному з R-шарів і повертає таблицю записів найкоротшого шляху хмар точок у кожному з R-шарів. Для подальшого стиснення ми обчислюємо відхилення P-шарів від найкоротшого шляху R-шару в одній групі та записуємо їх як прогнозні залишки. Нарешті, найкоротший шлях Rlayer і залишки кожної групи виводяться та передаються до ентропійного кодера для подальшого стискання прогнозованих залишків.

Просторово-часове контекстно-кероване прогнозоване кодування
Режим просторового контекстно-керованого передбачення кодує
хмари точок одного кадру окремо. Однак, застосовуючи просторове кодування до кожної хмари точок одного кадру окремо, ви можете втратити можливості, які відкриває часові кореляції в хмарі точок кількох кадрів. Враховуючи, що багатокадрова хмара точок має великі частки перекривань, ми зосереджуємося на використанні тимчасової надлишковості для подальшого підвищення ефективності стиснення. Отже, на основі запропонованого просторового контекстно-керованого режиму передбачення ми можемо стиснути багатокадрову хмару точок, визначивши відповідність між суміжними шарами між кадрами.

1. Міжкаркасна перегородка
   Щоб підвищити ефективність режиму міжкадрового передбачення, дуже важливо забезпечити достатню схожість між суміжними шарами кадрів. У результаті нам потрібно розділити групи між суміжними кадрами та визначити R-рівні та P-рівні між кадрами. Оцінюючи найкоротший шлях P-шарів на основі найкоротшого шляху R-шарів, ми записуємо прогнозовані залишки та додатково стискаємо їх через ентропійний кодер. Алгоритм 2 показує псевдокод міжкадрового розділу.
   На основі вирівнювання орієнтації нарізаних шарів ми послідовно реалізуємо грубий і тонкий розділ. Для грубого поділу ми сортуємо нарізані шари кожного кадру на основі координат, що відповідають осям поділу, від малого до великого. У результаті кожен шар зрізу кожного кадру має унікальний номер шару, що дозволяє грубо розділити шари зрізу з однаковим номером між сусідніми кадрами. Після цього ми обчислюємо різницю між довжинами головних осей мінімальних обмежувальних прямокутників сусідніх шарів з однаковим числом. Якщо це значення менше або дорівнює вказаній одиниці довжини, шари будуть розділені на одну групу. В іншому випадку ми порівнюємо різницю в довжині осі головного напрямку мінімального обмежувального прямокутника у відповідному шарі сусіднього кадру з указаним шаром перед і після числа в сусідньому кадрі. Потім шар із найменшою різницею поділяється на ту саму групу. Це забезпечує точний розподіл між сусідніми шарами, а також реалізацію тонкого розподілу суміжних відносин.
2. Режим просторово-часового контекстно-керованого прогнозування
   На основі розділу ми застосовуємо та розширюємо режим передбачення, згаданий у розділі 3.3. Ми включаємо міжкадровий контекст у процес, тобто перший рівень кожної групи, який виконує функцію R-рівня, не обов’язково може дати найкращий результат прогнозування. Щоб повністю дослідити потенційну кореляцію між суміжними шарами, нам потрібно розкрити оптимальний режим прогнозування.
   По-перше, ми обчислюємо залишки передбачення для кожного зрізаного шару в поточній групі при використанні як R-рівня. Порівнюючи прогнозовані залишки в усіх випадках, ми вибираємо R-рівень із найменшим абсолютним залишковим значенням як найкращий режим прогнозування. Для обчислення найкоротшого шляху R-рівня ми використовуємо алгоритм комівояжера, щоб обчислити найкоротший шлях R-шарів у найкращому режимі передбачення. Крім того, ми обчислюємо залишки прогнозу для кожної групи відповідно до їхніх найкращих режимів прогнозування. Ми також записуємо інформацію про довжину зайнятості та R-рівень кожної групи для подальшого стиснення під час подальшої обробки. У подальшій операції ми використовуємо арифметичне кодування на основі вибору найкращого контексту для вищевказаної інформації, щоб завершити весь процес алгоритму стиснення геометрії хмари точок із кількома кадрами.

Арифметичне кодування на основі контекстного словника
Величезна кількість контексту в хмарі точок значно обтяжує загальну схему стиснення з точки зору складності обчислення арифметичного кодування. Ми покращуємо арифметичне кодування за допомогою наступних двох модулів. 1) Ми встановлюємо контекстний словник, вибираємо та оновлюємо глобальне оптимальне значення відповідно до оцінки ентропії, а потім 2) ми використовуємо адаптивні кодери для ефективного обчислення верхньої та нижньої меж ймовірностей.

1. Побудова контекстного словника
2. Ми створюємо контекстний словник, який представляє потрійну чергу, що складається з координат хмари точок на кожному розрізаному шарі та цілочисельного представлення його відповідного непорожнього контексту. Таким чином, ми пов’язуємо вокселі, що містяться в хмарі точок, з мінімальною обмежувальною рамкою кожного шару з його непорожнім контекстом. Щоб чітко проілюструвати побудову потрійного масиву черги контекстного словника, ми даємо інтуїтивне пояснення на рис. 2. Для двох заштрихованих квадратів на рис. 2 розглядаються лише позиції контекстної карти pc1 і pc2. Внесок контексту вздовж осей X і Y записується у дві черги QX – і QY – відповідно. Таким чином, контекстний словник складається з QX – і QY -. Елементи черги з однаковими координатами об’єднуються в триплет, контекстне ціле представлення якого обчислюється як сума вкладів контексту об’єднаного триплету.
   Таким чином, контекст кожного вокселя може бути обчислений як сума незалежних внесків зайнятих вокселів у його контекстному словнику. Ця структура допомагає визначити, чи слід додавати воксель до контекстного словника без стомлюючого пошуку матриці, що призводить до значного зменшення складності обчислень і часу виконання.
3. Розрахунок ймовірності
   Щоб обчислити ймовірність ентропії, необхідно враховувати як довжину послідовності, так і контекст її складових вокселів. У цьому модулі ми розробляємо адаптивний кодувальник, який спочатку оцінює верхню та нижню кумулятивні межі ймовірності для кожної групи з контекстного словника, а потім кодує його згодом. Перш за все, будуємо бінарне дерево на основі моделі ланцюга Маркова. Переходячи через зайнятість вокселів, ми присвоюємо значення 1 і 0 зайнятим і порожнім вокселям відповідно та обчислюємо ймовірність на основі деревовидної структури. Починаючи з кореневого вузла, коли воксель зайнятий, ми записуємо лівий дочірній вузол як 1. В іншому випадку ми позначаємо правий дочірній вузол як 0 і переходимо до наступного кроку оцінки та поділу. Формулу розрахунку ймовірності запуску зайнятих вокселів можна знайти в рівнянні. (4).

Для довжин серії, менших або рівних n, може бути 2n вузлів дерева, що представляють стани зайнятості вокселів. Таким чином, ймовірність будь-якого зайнятого вокселя представлена ​​незалежною спільною ймовірністю проходження всіх станів, починаючи з кореня і закінчуючи будь-яким бездітним вузлом дерева. На основі рівняння (4), щоб виконати арифметичне кодування зайнятості воксельної послідовності, нам потрібні кумулятивні верхня та нижня ймовірності послідовності, як показано в рівнянні. (5).

Використовуючи цей підхід, ми можемо використовувати адаптивні властивості арифметичного кодування для коригування значення оцінки ймовірності кожного символу на основі оптимізованої моделі оцінки ймовірності та частоти кожного символу в поточній послідовності символів. Це дозволяє нам обчислити верхню та нижню межі сукупної ймовірності зайнятих вокселів і завершити процес кодування.

Експериментуйте

Деталі реалізації

1. Набір даних. Щоб перевірити ефективність запропонованого нами методу, були проведені масштабні експерименти над 16 наборами даних хмари точок, які можна завантажити з Ref. [40], як показано на рис. 3, на якому рис. 3(а)–3(л) – портрети з щільними точками, а рис. 3(m) – 3(p) – архітектура з розрідженими точками. Рис. 3(a) – 3(h) – це вокселізовані послідовності даних хмари точок верхнього тіла з двома просторовими роздільними здатностями, отримані від Microsoft. Рис. 3(i)–3(l) вибираються з 8i вокселізованих послідовностей даних хмари точок повного тіла. Решта великомасштабних розріджених хмар точок на рис. 3(k)– 3(p) – статичні набори даних фасаду та архітектури.
2. Метрики оцінювання. Продуктивність запропонованого способу оцінюється в бітах на точку (BPP). BPP відноситься до суми бітів, зайнятих інформацією про координати, приєднаною до точки. Чим менше значення, тим краща продуктивність. де Sizedig представляє кількість бітів, зайнятих інформацією про координати даних хмари точок, а k означає кількість точок у вихідній хмарі точок.
3. Еталонні показники. Ми здебільшого порівнюємо наш метод з іншими базовими алгоритмами, зокрема: PCL-PCC: стиснення на основі октодерева в PCL; G-PCC (тестова модель внутрішнього кодування MPEG) і interEM (тестова модель внутрішнього кодування MPEG) націлені на однокадрове та багатокадрове стиснення хмари точок відповідно; Silhouette 3D (S3D)[41] і Silhouette 4D (S4D)[42] націлені на стиснення хмари точок одного кадру та кількох кадрів відповідно.
   Для PCL ми використовуємо підхід стиснення хмари точок октодерева в PCL-v1.8.1 лише для стиснення геометрії. Ми встановлюємо параметри роздільної здатності октодерева, виходячи з точності точки та роздільної здатності вокселів. Для G-PCC (TM13-v11.0) ми вибираємо геометрію без втрат — умови атрибутів без втрат у режимі передбачення октодерева, залишаючи параметри за замовчуванням. Для interEM (tmc3v3.0) ми використовуємо експериментальні результати в умовах геометрії без втрат і атрибутів без втрат як порівняння[43]. Для S3D
   і S4D, ми дотримуємося умов і параметрів за замовчуванням.
4. Обладнання. Пропонований алгоритм реалізовано в Matlab і C++ з використанням деяких функцій PCL-v1.8.1. Усі експерименти перевірено на ноутбуці з процесором Intel Core i7-8750 @ 2.20 ГГц і 8 ГБ пам’яті.

Результати однокадрового хмарного стиснення точки

1. Результати стиснення портретів послідовностей даних щільної хмари точок
   У таблиці 1 показано продуктивність наших алгоритмів стиснення геометрії хмари точок без втрат із керуванням просторовим контекстом порівняно з методами PCL-PCC, G-PCC і S3D на портретах послідовностей даних щільної хмари точок. З таблиці 1 видно, що для всіх хмар точок однакових послідовностей запропонований метод досягає найнижчого стиснення BPP порівняно з іншими методами. Наш алгоритм пропонує усереднений приріст від –1.56% до –0.02% порівняно з S3D і від –10.62% до –1.45% порівняно з G-PCC. Це показує більш очевидний прогресtage, тобто приріст продуктивності стиснення запропонованого алгоритму коливається від −10.62% до −1.45%; Для PCL-PCC запропонований алгоритм показує майже подвоєний приріст на всіх послідовностях, коливаючись від -154.43% до -85.39%.
2. Результати стиснення великомасштабних розріджених даних хмари точок
   Оскільки S3D не може працювати в цьому випадку, ми лише порівнюємо наш алгоритм стиснення хмари точок геометрії без втрат із керуванням просторовим контекстом із методами PCL-PCC і G-PCC на великомасштабних розріджених даних хмари точок. Знову ж таки, наш алгоритм досягає значної продуктивності з G-PCC і PCL-PCC, як показано в таблиці 1. Результати показали, що в порівнянні з G-PCC фіксується усереднений приріст BPP у діапазоні від −8.84% до −4.35%. Для PCL-PCC запропонований нами алгоритм показує більш очевидну перевагуtages, із зростанням від −34.69% до −23.94%.
3. Резюме
   Щоб забезпечити більш зрозуміле порівняння результатів стиснення хмари точок одного кадру, у таблиці 2 наведено середні результати між нашим методом просторового контекстно-керованого стиснення та іншими найсучаснішими методами порівняння. Порівняно з S3D, наш запропонований метод показує середні прирости в діапазоні від −0.58% до −3.43%. Що стосується G-PCC і PCL-PCC, середній приріст досягає принаймні −3.43% і −95.03% відповідно. Експериментальний аналіз показує, що наш метод просторового контекстного стиснення значно перевищує поточні S3D, G-PCC і PCL-PCC. Таким чином, він може задовольнити вимоги до стиснення без втрат геометрії хмари точок для різних типів сцен, наприклад, щільного або розрідженого розподілу, і ефективність нашого методу незмінно залишається.
4. Результати багатокадрового стиснення хмари точок
   Ми оцінюємо наш запропонований просторово-часовий алгоритм стиснення геометрії хмари точок, керований контекстом, порівняно з існуючими алгоритмами стиснення, такими як S4D, PCL-PCC, G-PCC і interEM. У цьому експерименті використовуються лише портрети послідовностей даних щільної хмари точок. Результати проілюстровано в.

Таблиця 1. Порівняння BPP нашого алгоритму просторового контекстно-керованого стиснення та базових методів.

Таблиця 2. Порівняння BPP із найсучаснішими алгоритмами на даних хмари точок одного кадру.

Таблиця 3. Як ми бачимо, після оптимізації в режимі прогнозування та арифметичному кодері запропонований алгоритм показує перевагу на всіх тестових послідовностях. Зокрема, порівняно з interEM та G-PCC, запропонований алгоритм демонструє значні переваги в діапазоні від –51.94% до –17.13% та від –46.62% до –5.7% відповідно. Порівняно з S4D, запропонований алгоритм демонструє значне покращення в діапазоні від –12.18% до –0.33%. Що стосується PCL-PCC, запропонований нами алгоритм майже вдвічі скорочений у всіх тестових послідовностях.
Крім того, ми підсумовуємо результати стиснення та переваги запропонованого методу на послідовностях даних щільної хмари точок портрета, наведених у таблиці 4. У середньому він забезпечує приріст від –11.5% до –2.59% порівняно з просторовою контекстно-керованою хмарою точок. запропонований раніше алгоритм стиснення геометрії. Більше того, він демонструє вищий середній приріст у −19% порівняно з G-PCC і досяг середнього приросту кодування у −24.55% у порівнянні з interEM. Крім того, порівняно з S3D і S4D, він виграє в середньому більше ніж на −6.11% і −3.64% відповідно. Загальний експериментальний аналіз показує, що просторово-часовий метод стиснення хмари точок, керований контекстом, може повністю використовувати як просторову, так і часову кореляцію суміжних шарів усередині кадрів і між кадрами. Ми також вдосконалюємо вибір глобального контексту та ймовірнісну модель арифметичного кодера, щоб отримати нижчу швидкість передачі даних. Запропонований метод перевершує продуктивність найсучасніших алгоритмів, щоб відповідати вимогам стиснення геометрії хмари точок без втрат у сценаріях мультимедійних додатків, таких як динамічні портрети.

Таблиця 3. Порівняння біт на точку нашого просторово-часового алгоритму стиснення, керованого контекстом, і базових методів.

Таблиця 4. Порівняння біт за точку з найсучаснішими алгоритмами на даних хмари точок з кількома кадрами.

Абляційне дослідження
Ми проводимо абляційні дослідження прогнозного кодування над 8i вокселізованими послідовностями даних хмари точок всього тіла, щоб продемонструвати ефективність розділення. З таблиці 5 видно, що покращення показує стабільний приріст у −70% при стисненні багатокадрової хмари точок і −60% при стисненні однокадрової хмари точок порівняно з безрозділовим прогнозним кодуванням.
Далі ми проводимо експеримент абляції арифметичного кодування, щоб продемонструвати ефективність контекстного словника. Як показано в таблиці 6, у нашому методі спостерігається значне покращення на –33% при стисненні багатокадрової хмари точок і на –41% при стисненні однокадрової хмари точок порівняно з арифметичним кодуванням без контекстного словника.

Споживання часу
Ми перевіряємо витрати часу, щоб оцінити складність алгоритму та порівняти запропоновані методи з іншими. Складність алгоритму аналізується кодерами та декодерами незалежно, перераховані в таблиці 7. Як ми бачимо, G-PCC, interEM і PCL-PCC можуть досягати часу кодування менше 10 с і часу декодування менше 5 с для портретно-щільні дані хмари точок. Вони також добре працюють у великомасштабних розріджених даних хмари точок порівняно з іншими. Запропоновані нами алгоритми займають приблизно 60 та 15 с для кодування та декодування портретних послідовностей, навіть більше для даних хмари точок фасаду та архітектури. Існує компроміс між бітрейтом і швидкістю стиснення. Порівняно з S3D і S4D, кодування яких займає сотні секунд, наш трудомісткий метод може показати перевагу.
Підсумовуючи, споживання часу запропонованими нами методами є середнім серед усіх порівнюваних алгоритмів, але все ще потребує подальшого вдосконалення.

Висновки

У цій статті ми пропонуємо просторово-часовий контекстно-керований метод для стиснення геометрії хмари точок без втрат⁃. Ми розглядаємо розрізану хмару точок одиничної товщини як одиницю введення та використовуємо режим кодування з прогнозуванням геометрії на основі алгоритму комівояжера, який застосовується як до внутрішньокадрового, так і міжкадрового. Крім того, ми повністю використовуємо глобальну контекстну інформацію та адаптивний арифметичний кодер на основі контекстно-швидкого оновлення для досягнення результатів стиснення та декомпресії хмар точок без втрат. Експериментальні результати демонструють ефективність наших методів та їх перевагу над попередніми дослідженнями. Для майбутньої роботи ми плануємо додатково вивчити загальну складність алгоритму, зменшивши складність алгоритму для досягнення високошвидкісного стиснення та низької швидкості стиснення. Низький бітрейт і підтримуваний метод реального часу/малої затримки дуже бажані в різних типах сцен.

Список літератури

1. MI XX, YANG BS, DONG Z та ін. Автоматизоване тривимірне виділення та векторизація меж доріг за допомогою хмар точок MLS [J]. Транзакції IEEE щодо інтелектуальних транспортних систем, 3, 2022(23): 6 – 5287. DOI: 5297/ TITS.10.1109
2. DONG Z, LIANG FX, YANG BS та ін. Реєстрація великомасштабних хмар точок наземного лазерного сканера: реview і еталон [J]. Журнал ISPRS з фотограмметрії та дистанційного зондування, 2020, 163: 327–342. DOI: 10.1016/j.isprsjprs.2020.03.013
3. ГРАЦІОСІ Д, НАКАГАМІ О, КУМА С та ін. Оверview поточної стандартизації стиснення хмари точок: на основі відео (V-PCC) і на основі геометрії (G-PCC) [J]. Транзакції APSIPA щодо обробки сигналів та інформації, 2020, 9: e13
4. DE QUEIROS RL, CHOU P A. Стиснення 3D-хмар точок за допомогою адаптивного до регіону ієрархічного перетворення [J]. Транзакції IEEE щодо обробки зображень, 2016, 25(8): 3947–3956. DOI: 10.1109/TIP.2016.2575005
5. BLETTERER A, PAYAN F, ANTONINI M та ін. Стиснення хмари точок за допомогою карт глибини [J]. Електронні зображення, 2016, 2016(21):1–6
6. MEKURIA R, BLOM K, CESAR P. Розробка, впровадження та оцінка кодека хмари точок для телеімерсивного відео [J]. Транзакції IEEE щодо схем і систем для відеотехнологій, 2017, 27(4): 828 – 842. DOI: 10.1109/ TCSVT.2016.2543039
7. DE QUEIROS RL, CHOU P A. Стиснення динамічних вокселізованих хмар точок з компенсацією руху [J]. Транзакції IEEE щодо обробки зображень, 2017, 26 (8): 3886–3895. DOI: 10.1109/TIP.2017.2707807
8. CAO C, PREDA M, ZAHARIA T. 3D-стиск хмари точок: огляд [C]// 24-та Міжнародна конференція з 3D Web технології. ACM, 2019: 1–9. DOI: 10.1145/3329714.3338130
9. ГРАЦІОСІ Д, НАКАГАМІ О, КУМА С та ін. Оверview поточної стандартизації стиснення хмари точок: на основі відео (V-PCC) і на основі геометрії (G-PCC) [J]. Транзакції APSIPA щодо обробки сигналів і інформації, 2020, 9(1): e13. DOI: 10.1017/ацип.2020.12
10. HUANG Y, PENG JL, KUO CJ та ін. Прогресивне геометричне кодування хмар точок на основі Octree [C]//Третя конференція Eurographics/IEEE VGTC з графіки на основі точок. IEEE, 3: 2016–103
11. FAN YX, HUANG Y, PENG J L. Стиснення хмари точок на основі ієрархічної кластеризації точок [C]//Щорічний саміт і конференція Азіатсько-Тихоокеанської асоціації обробки сигналів і інформації. IEEE, 2014: 1 – 7. DOI: 10.1109/APSIPA.2013.6694334
12. DRICOT A, ASCENSO J. Адаптивний багаторівневий трикутник для кодування хмари точок на основі геометрії [C]//21-й міжнародний семінар з обробки мультимедійних сигналів (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901791
13. HE C, RAN LQ, WANG L та ін. Стиснення поверхні набору точок на основі аналізу шаблону форми [J]. Мультимедійні засоби та програми, 2017, 76(20): 20545–20565. DOI: 10.1007/s11042-016-3991-0
14. IMDAD U, ASIF M, AHMAD M та ін. Стиснення та декомпресія тривимірної хмари точок за допомогою поліномів першого ступеня [J]. Symmetry, 2019, 11(2): 209. DOI: 10.3390/sym11020209
15. SUN XB, MA H, SUN YX та ін. Новий алгоритм стиснення хмари точок на основі кластеризації [J]. Листи IEEE robotics and automation, 2019, 4(2): 2132–2139. DOI: 10.1109/LRA.2019.2900747
16. DE OLIVEIRA RENTE P, BRITES C, ASCENSO J, et al. Кодування статичної 3D-геометрії хмари точок на основі графіка [J]. Транзакції IEEE щодо мультимедіа, 2019, 21(2): 284–299. DOI: 10.1109/TMM.2018.2859591
17. ISO. Стиснення хмари точок на основі геометрії (G-PCC): ISO/IEC 23090-9 [S]. 2021 рік
18. DRICOT A, ASCENSO J. Гібридне кодування геометрії хмари точок октодерева-площини [C]//27-а Європейська конференція з обробки сигналів (EUSIPCO). IEEE, 2019: 1–5
19. ZHANG X, GAO W, LIU S. Неявний геометричний розподіл для стиснення хмари точок [C]//Proceedings of 2020 Data Compression Conference (DCC). IEEE, 2020: 73–82. DOI: 10.1109/DCC47342.2020.00015
20. QUACH M, VALENZISE G, DUFAUX F. Вивчення згорткових перетворень для стиснення геометрії хмари точок із втратами [C]//Міжнародна конференція IEEE 2019 з обробки зображень (ICIP). IEEE, 2019: 4320–4324. DOI: 10.1109/ICIP.2019.8803413
21. HUANG TX, LIU Y. Тривимірне стиснення геометрії хмари точок при глибокому навчанні [C]//3-а міжнародна конференція ACM з мультимедіа. ACM, 27: 2019–890. DOI: 898/10.1145
22. GUARDA AFR, RODRIGUES NMM, PEREIRA F. Кодування хмари точок: застосування підходу, заснованого на глибокому навчанні [C]//Симпозіум кодування зображень (PCS). IEEE, 2020: 1–5. DOI: 10.1109/PCS48520.2019.8954537
23. WANG JQ, ZHU H, MA Z та ін. Вивчене стиснення геометрії хмари точок [EB/OL]. [2023-09-01]. https://arxiv.org/abs/1909.12037.pdf
24. АЙНАЛА К, МЕКУРІЯ Р.Н., ХАТАРІЯ Б та ін. Покращений рівень покращення для стиснення хмари точок на основі октодерева з наближенням до плоскої проекції [C]//SPIE Optical Engineering+Applications. SPIE, 2016: 223–231. DOI: 10.1117/12.2237753
25. ШВАРЦ С., ХАННУКСЕЛА М.М., ФАКУР-СЕВОМ В. та ін. 2D відеокодування об'ємних відеоданих [C]//Picture Coding Symposium (PCS). IEEE, 2018: 61–65. DOI: 10.1109/PCS.2018.8456265
26. FAKOUR SEVOM V, SCHWARZ S, GABBOUJ M. Інтерполяція тривимірних даних з урахуванням геометрії для кодування динамічної хмари точок на основі проекцій [C]//3-й Європейський семінар з обробки візуальної інформації (EUVIP). IEEE, 7: 2019–1. DOI: 6/EUVIP.0.1109
27. КАТАРІЯ Б, ЛІ Л, ЛІ З та ін. Стиснення геометрії динамічної хмари точок без втрат із взаємокомпенсацією та прогнозуванням комівояжера [C]// Конференція зі стиснення даних. IEEE, 2018: 414. DOI: 10.1109/ DCC.2018.00067
28. ISO. Візуальне об’ємне кодування на основі відео (V3C) і стиснення хмари точок на основі відео: ISO/IEC 23090-5 [S]. 2021 рік
29. ПАРК Дж, ЛІ Дж, ПАРК С та ін. Кодування карти зайнятості на основі проекцій для стиснення 3D-хмари точок [J]. Транзакції IEIE щодо інтелектуальної обробки та обчислень, 2020, 9(4): 293–297. DOI: 10.5573/ieiespc.2020.9.4.293
30. COSTA A, DRICOT A, BRITES C та ін. Покращене пакування патчів для стандарту MPEG V-PCC [C]//21-й міжнародний семінар IEEE з обробки мультимедійних сигналів (MMSP). IEEE, 2019: 1 – 6. DOI: 10.1109/ MMSP.2019.8901690
31. KAMMERL J, BLODOW N, RUSU RB та ін. Стиснення потоків хмари точок у реальному часі [C]//Proceedings of 2012 IEEE International Conference on Robotics and Automation. IEEE, 2012: 778 – 785. DOI: 10.1109/ ICRA.2012.6224647
32. PCL. Бібліотека хмари точок. [EB/OL]. [2023-09-01]. http://pointclouds.org/
33. ТАНУ Д, ЧОУ ПА, ФРОССАРД П. Стиснення динамічних тривимірних хмар точок на основі графіків [J]. Транзакції IEEE щодо обробки зображень, 3, 2016(25): 4–1765. DOI: 1778/TIP.10.1109
34. ЛІ Л, ЛІ З, ЗАХАРЧЕНКО В та ін. Розширене 3D-прогнозування руху для стиснення атрибутів хмари точок на основі відео [C]//Data Compression Conference (DCC). IEEE, 2019: 498–507. DOI: 10.1109/DCC.2019.00058
    ZHAO LL, MA KK, LIN XH та ін. Стиснення хмари точок LiDAR у реальному часі з використанням двонаправленого прогнозування та адаптивного до діапазону кодування з плаваючою комою [J]. Транзакції IEEE щодо мовлення, 2022, 68(3): 620 – 635. DOI: 10.1109/TBC.2022.3162406
35. LIN JP, LIU D, LI HQ та ін. M-LVC: Багатокадрове прогнозування для навченого стиснення відео [C]//конференція IEEE/CVF з комп’ютерного зору та розпізнавання образів. IEEE, 2020: 3543 – 3551. DOI: 10.1109/ CVPR42600.2020.00360
36. ЯНГ Р., МЕНЦЕР Ф., ВАН ГУЛ Л. та ін. Навчання стисненню відео з ієрархічною якістю та періодичним покращенням [C]//конференція IEEE/CVF з комп’ютерного зору та розпізнавання образів. IEEE, 2020: 6627–6636.DOI: 10.1109/CVPR42600.2020.00666
37. KAYA EC, TABUS I. Стиснення без втрат послідовностей хмар точок з використанням оптимізованих для послідовності моделей CNN [J]. Доступ IEEE, 2022, 10: 83678 –83691. DOI: 10.1109/ACCESS.2022.3197295
38. DING S, MANNAN MA, POO A N. Орієнтований обмежувальний прямокутник і глобальне виявлення перешкод на основі октодерева при 5-осьовій обробці поверхонь довільної форми [J]. Автоматизоване проектування, 2004, 36(13): 1281-1294
39. ALEXIOU E, VIOLA I, BORGES TM та ін. Комплексне дослідження ефективності швидкості спотворення при стисненні хмари точок MPEG [J]. Транзакції APSIPA щодо обробки сигналів та інформації, 2019, 8: e27. doi:10.1017/ ATSIP.2019.20
40. PEIXOTO E. Внутрішньокадрове стиснення геометрії хмари точок за допомогою діадичного розкладання [J]. IEEE Signal Processing Letters, 2020, 27: 246–250. DOI: 10.1109/LSP.2020.2965322
41. RAMALHO E, PEIXOTO E, MEDEIROS E. Силует 4D із вибором контексту: стиснення геометрії без втрат динамічних хмар точок [J]. IEEE Signal Processing Letters, 2021, 28: 1660 – 1664. DOI: 10.1109/lsp.2021.3102525
42. ISO. Загальні умови тестування для документа G-PCC N00106: ISO/IEC JTC 1/SC 29/WG 7 MPEG [S]. 2021 рік

Біографії

• ЧЖАН Хуіран отримала ступінь бакалавра та магістра в Школі геодезії та геоматики та Державній ключовій лабораторії інформаційної інженерії в геодезичному картографуванні та дистанційному зондуванні в Уханьському університеті, Китай, у 2020 та 2023 роках відповідно. Зараз вона є геодезистом Науково-дослідного інституту міського планування та дизайну Гуанчжоу, Китай. Її наукові інтереси включають обробку та стиснення даних хмари точок. Вона брала участь у кількох проектах у галузі дистанційного зондування та опублікувала одну статтю в Geomatics and Information Science Університету Уханя.
• ДОН Чжень (dongzhenwhu@whu.edu.cn) отримав ступінь бакалавра та доктора філософії з дистанційного зондування та фотограмметрії в Уханьському університеті, Китай, у 2011 та 2018 роках відповідно. Він є професором Державної ключової лабораторії інформаційної інженерії з геодезії, картографування та дистанційного зондування (LIESMARS) університету Ухань. Його наукові інтереси включають 3D-реконструкцію, розуміння сцени, обробку хмари точок, а також їх застосування в інтелектуальній транспортній системі, цифрових містах-побратимах, сталому розвитку міст і робототехніці. Він отримав понад 10 нагород на різних національних і міжнародних конкурсах і опублікував близько 60 робіт у різних журналах і на конференціях.
  ВАН Міншен отримав ступінь бакалавра в Коледжі комп’ютерних наук і технологій Університету Цзілінь, Китай, у 2001 році та ступінь магістра в Школі комп’ютерних наук та інженерії в Південно-Китайському технологічному університеті, Китай, у 2004 році. Зараз він є старшим інженером міського планування Гуанчжоу & Design Survey Research Institute, Китай. Його наукові інтереси включають комп’ютерні програми та програмне забезпечення, фізіографію та геодезию. Він отримав понад 20 відзнак на різних національних конкурсах і опублікував близько 50 робіт у різних журналах і на конференціях.

DOI: 10.12142/ZTECOM.202304003
https://kns.cnki.net/kcms/detail/34.1294.TN.20231108.1004.002.html, опублікований онлайн 8 листопада 2023 р
Рукопис отримано: 2023-09-11

Документи / Ресурси

Керований алгоритм ZTE для стиснення геометрії хмари точок без втрат [pdfПосібник користувача Керований алгоритм для стиснення геометрії хмари точок без втрат, Керований, Алгоритм для стиснення геометрії хмари точок без втрат, Стиснення геометрії хмари точок без втрат, Стиснення геометрії хмари точок, Стиснення геометрії

Список літератури

• Посібник користувача