CN110349230A - 一种基于深度自编码器的点云几何压缩的方法 - Google Patents

一种基于深度自编码器的点云几何压缩的方法 Download PDF

Info

Publication number
CN110349230A
CN110349230A CN201910635630.9A CN201910635630A CN110349230A CN 110349230 A CN110349230 A CN 110349230A CN 201910635630 A CN201910635630 A CN 201910635630A CN 110349230 A CN110349230 A CN 110349230A
Authority
CN
China
Prior art keywords
cloud
point
point cloud
sampling
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910635630.9A
Other languages
English (en)
Inventor
李革
晏玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN201910635630.9A priority Critical patent/CN110349230A/zh
Publication of CN110349230A publication Critical patent/CN110349230A/zh
Priority to US16/929,374 priority patent/US11494948B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/001—Model-based coding, e.g. wire frame
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

一种基于深度自编码器的点云几何压缩的方法，包括步骤：(1)点云预处理：收集待压缩的一类点云作为训练集，并将其归一化至单位圆中；(2)点云下采样：对训练集中的点云进行下采样，使得每个点云具有相同的点数m，点云中的每个点具有(x，y，z)三维坐标；使用最远点下采样法，首次随机选择一点，接下来每次都选择距被选择点集最远的点加入到被选择点集中，直至被选择点数满足要求；(3)训练压缩模型：将经过第(2)步下采样后的点云输入到基于深度自编码器的点云几何压缩框架中进行训练；(4)点云的几何压缩：将训练得到的压缩框架运用于此类所有点云的几何压缩。本方法不仅能够获得较好的压缩效果，同时也能更快的适应新的点云种类。

Description

一种基于深度自编码器的点云几何压缩的方法
技术领域
本发明属于点云数据压缩领域，特别涉及一种基于深度自编码器的点云几何压缩的方法。
背景技术
随着三维扫描设备的快速发展，快速将现实世界中的三维信息数字化成为可能，点云正逐渐成为表达三维场景和物体三维表面的一种有效方式。相比于传统的二维图片和视频，点云通常以点的形式离散地分布在三维空间中，支持自由视点、多角度的观看，满足了人们对三维世界的用户体验，应用也愈发广泛；点云是三维扫描设备对物体表面采样所获取的，点的数量众多，其中每个点包含(x、y、z)几何信息和颜色、纹理等属性信息，信息量大，所以点云的数据量十分庞大。考虑到点云的大数据量和网络传输的有限带宽，点云压缩是一个势在必行的任务。
点云压缩主要分为几何压缩和属性压缩，其中点云几何压缩是一个活跃的、富有前景的研究领域。
现有的点云几何压缩方法主要是基于八叉树划分的几何压缩方法。首先先对原始点云进行量化，人为设置一个量化系数来减少原始点云的点数，并移除重复点。接下来使用八叉树对点云进行空间分解，然后记录每个八叉树子节点是否含有点，并将其作为占有码记录。该方法的处理效率较高但压缩性能有待提高。并且不具有快速适应某一类特定的点云能力。
近年来，针对三维点云的机器学习方法有了很大的发展。例如在点云识别和分割任务上，基于深度学习的方法已经超过了基于传统手工特征的方法，并且在三维重建方面获得了很大的成功。这类基于数据驱动的方法可以很快的适应某一类特定种类的点云，学习其特有的特征，在特定任务上获得较好的效果，但是这种方法几乎没有用在点云几何压缩上。通常来说，传统的点云编码器的设计需要数以月计的时间，但是基于深度学习的方法通过对大量数据进行学习，可以很快的适应不同类型的数据，从而可以节约大量的人力成本，同时获得较好的压缩效果，并且基于深度学习的方法已经在图片和视频压缩领域获得了一定程度的成功。综合来看，现有的点云几何压缩方法存在压缩效率有待提高，开发时间长，不具备快速适应新数据集等情况。
发明内容
为了克服现有技术的不足，本发明提出一种基于深度自编码器的点云几何压缩的方法，该方法打破了传统的点云几何压缩框架，提出了一种新的基于神经网络的点云几何压缩框架，可以使用大量数据进行训练，进一步提高点云几何压缩的性能。
本发明采用如下技术方案：
一种基于深度自编码器的点云几何压缩的方法，其具体步骤为：
(1)点云预处理：收集待压缩的一类点云作为训练集，并将其归一化至单位圆中；
(2)点云下采样：对训练集中的点云进行下采样，使得每个点云具有相同的点数m，点云中的每个点具有(x，y，z)三维坐标；下采样方法使用最远点采样法，首次随机选择一点，接下来每次都选择与被选择点集距离最远的点加入到被选择点集中，直至被选择点数满足要求。
(3)训练压缩模型：将经过第(2)步下采样后的点云输入到基于深度自编码器的点云几何压缩框架中进行训练；
(4)点云的几何压缩：将训练得到的压缩框架运用于此类所有点云的几何压缩。
上述步骤(3)所述的基于深度自编码器的点云几何压缩框架，其具体训练过程如下：
(3-1)将经过(2)步下采样后的点云x输入到基于神经网络的编码器E中，得到经过编码后的码字y；
(3-2)将经过编码器E编码产生的码字y进行量化得到量化后的码字
由于取整量化函数的导数为0或者无穷大，无法进行反向梯度传播，因此需要对其导数进行近似处理：
其中，r(y)即为近似函数，符号d代表求微分。一种简单的选择为：
r(y)＝y+u. (3)
其中，u为[-0.5，0.5]间的随机噪声。在训练的过程中用公式(3)来代替量化，即可成功进行反向传播。训练完成后，在实际压缩过程中，使用原始的量化取整函数即可；
(3-3)将量化后的码字进行概率建模，使用文献(BalléJ,Minnen D,Singh S,etal.Variational image compression with a scale hyperprior[J].2018.)记载的算法求出码字的概率模型再根据概率模型计算码字的信息熵，作为模型训练的码率损失R：
其中E为求期望函数。
(3-4)对量化后的码字进行解码。解码器D由全连接神经网络构成，将码字解码成重构点云；将重构点云与原始输入点云使用倒角距离(Chamfer distance，dCH)计算误差：
其中，S1和S2分别是输入点云和重构点云。最终，压缩框架的率失真损失函数为：
其中，λ为权衡码率和失真的拉格朗日系数，fe表示编码器的非线性函数，fd表示解码器的非线性函数，为码字的概率模型。整个网络框架在训练过程优化公式(6)所示率失真损失函数。
本发明的一种基于深度自编码器的点云几何压缩的方法具有如下有益效果：
1.本发明的点云几何压缩的方法提供了一种基于深度学习的点云几何压缩框架，对于给定的一类几何形状类似的待压缩点云，通过深度自编码器学习得到几何编码器和解码器，可以节省大量码率，同时获得较高的重建质量。
2.与传统的基于手工设计的几何编解码器相比，这种数据驱动的方法不仅能够获得较好的压缩效果，同时也能更快的适应新的点云种类。
3.目前三维点云模型已经越来越多运用在生活中并且具有大量的点云可以作为训练集，因此本发明适用范围非常广泛。
附图说明
图1是本发明的基于深度自编码器的点云几何压缩方法的框架流程图；
图2是本发明实施例中与由动态图像专家组(MEPG组织)第125次会议提出的测试模型TMC13的压缩主观性能对比图，其中：左列为原始点云，中间列为本发明方法结果，右列为TMC13结果；
图3a是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在椅子(chair)数据集上的压缩客观性能对比图；
图3b是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在飞机(airplane)数据集上的压缩客观性能对比图；
图3c是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在汽车(car)数据集上的压缩客观性能对比图；
图3d是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在桌子(table)数据集上的压缩客观性能对比图。
具体实施方式
下面结合附图和实施例，对本发明进行详细的描述。
本发明提出了一种基于深度自编码器的点云几何压缩的方法，该方法的框架主要包括基于神经网络的编码器，量化器，熵估计模块和基于神经网络的解码器。此方法能够针对某类特定种类的点云快速的学习出适应其特点的编码器，同时能够获得较好的压缩效果。
图1是本发明的基于深度自编码器的点云几何压缩的方法的框架流程图，包括以下步骤：
(1)点云的预处理：收集待压缩的一类点云作为训练集，并将其归一化至单位圆中；
(2)点云下采样：此步骤对应图1中的采样层。给定一待处理点云x，该点云即为图1中的输入，其点数为n，每个点具有(x，y，z)三维坐标，则将点云x用维度为n×3的矩阵表示。由于在不同的码率点处需要的点云点数不同，因此需要人为的对原始点云进行下采样。下采样的方法为最远点下采样法。设待处理点云x具有n个点，用集合来表示为{x1，x2，...，xn}，使用最远点下采样法得到原点云的一个子集{xi1，xi2，…，xim}，使得xij为与前一层选择的点集距离最远的点，并将其加入到被选择点集中。与随机下采样的方法相比，经过此方法采样后的点云点密度更加均匀，有利于保持原始点云的几何形状。经过下采样后的，原来的n×3点云成为m×3点云。
(3)训练压缩模型：
(3-1)设经过下采样后的点云点数为m，用维度为m×3的矩阵来表示。经过下采样后的点云通过由神经网络组成的编码器E编码成k个码字，记作y。编码器基于由文献(Charles R Q,Hao S,Mo K,et al.PointNet:Deep Learning on Point Sets for 3DClassification and Segmentation[C]//IEEE Conference on Computer Vision&Pattern Recognition.2017.)记载的神经网络框架改进得来。编码器由5层感知机组成，经过5层感知机后，每个点的特征由原来的三位坐标变换为k维特征，因此使用m×k矩阵表示。再对该m×k维度矩阵求最大池化(对应图1中的最大池化层)，即得到最终的1×k维码字y。
(3-2)将编码得到的1×k维的码字y进行量化：
由于取整量化函数的导数为0或者无穷大，无法进行反向梯度传播，因此需要对其导数进行近似处理：
其中，r(y)即为近似函数。一种简单的选择为：
r(y)＝y+u. (3)
其中，u为[-0.5，0.5]间的随机噪声。在训练的过程中用公式(3)来代替量化，即可成功进行反向传播。训练完成后，在实际压缩过程中，使用原始的量化取整函数即可。
(3-3)熵瓶颈层的作用是将码字y进行量化得到并将量化后的码字进行概率建模，使用文献(BalléJ,Minnen D,Singh S,et al.Variational image compression witha scale hyperprior[J].2018.)记载的算法求出码字的概率模型再根据概率模型计算码字的信息熵，作为模型训练的码率损失：
(3-4)对量化后的码字进行解码。解码器D由三层的全连接神经网络构成，将码字解码成重构点云，重构点云用m×3维度的矩阵表示，该点云即为图1中的输出；将重构点云与原始输入点云使用倒角距离(Chamfer distance，dCH)计算误差：
其中，S1和S2分别是输入点云和重构点云。最终，压缩框架的率失真损失函数为：
其中，λ为权衡码率和失真的拉格朗日系数，fe表示编码器的非线性函数，fd表示解码器的非线性函数，为码字的概率模型。整个网络框架在训练过程优化公式(6)所示损失函数(对应于图1中的率失真损失)。
(4)点云的几何压缩：将训练完成的压缩框架运用于此类所有点云的几何压缩。主要步骤：首先将待压缩点云进行预处理和下采样，与第(1)和(2)步骤相同；对经过下采样后的点云用训练完成的编码器进行编码，对编码得到的码字进行量化，此时的量化不需要进行近似处理；将量化后的码字经过任意熵编码器编码就得到的用于存储和传输的码流；解码时，将码流进行熵解码得到码字，将码字使用训练完成的解码器进行解码得到重构点云。
图2是本发明的基于深度自编码器的点云几何压缩的方法和传统方法TMC13(由MEPG组织第125次会议提出)的压缩主观性能对比图，其中，左列为原始点云，中间列为本发明方法结果，右列为TMC13结果。从上到下分别为椅子(chair)类型点云、桌子(table)类型点云、汽车(car)类型点云和飞机(airplane)类型点云。从上到下，不同类型的点云使用本方法分别获得的编码每个点所需要的比特数为0.28227、0.255371、0.269531、0.290039、0.249、0.2764和0.2363，获得的峰值信噪比分别为11.2439dB、10.8908dB、15.2908dB、15.84dB、20.8142dB、17.8893dB和12.8006dB。使用TMC13得到的编码每个点所需要的比特数从上到下分别为0.761719dB、0.589844dB、0.535156、0.308594、0.796974、1.16797和1.23828，获得的峰值信噪比分别为11.0722dB、10.4177dB、15.2666dB、15.8073dB、20.2003dB、17.485dB和12.8038dB。从图中可以看出，使用本发明的点云几何压缩的方法得到的重构点云的点数更多，分布更为密集，与原始点云更为接近，在几乎相同的峰值信噪比(PSNR)下所需的码字远小于TMC13结果。
为了验证本发明的一种基于深度自编码器的点云几何压缩的方法的效果，我们使用形状网(ShapeNet)数据集进行验证，使用其中的4类点云进行实验，结果如图3a至图3d所示，其中，图3a是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在椅子(chair)数据集上的压缩客观性能对比图；图3b是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在飞机(airplane)数据集上的压缩客观性能对比图；图3c是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在汽车(car)数据集上的压缩客观性能对比图；图3d是本发明与传统测试模型TMC13(由MEPG组织第125次会议提出)在桌子(table)数据集上的压缩客观性能对比图。从图中可以看到，在这四类点云上，本发明的编码表现在所有码率点上都超过了TMC13的编码表现。具体地，从图3a可以看出，在椅子(chair)数据集上，本发明相比于TMC13获得了71.4％的增益，从图3d可以看出，本发明在桌子(table)数据集上获得了61.3％的增益，从图3c中可以看出，本发明在汽车(car)数据集上获得了80.1％的增益，从图3d可以看出，本发明在飞机(airplane)数据集上获得了79.8％的增益。
本发明的方法在点云几何压缩方面比由MEPG组织提出的TMC13点云编码器减少70％左右的码率。
主观质量对比如图2所示，在相似的重建质量下，本发明的方法码率小于TMC13的压缩结果，压缩性能的优势明显，优点突出。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (4)

1.一种基于深度自编码器的点云几何压缩的方法，其特征在于，包括如下步骤：
(1)点云预处理：收集待压缩的一类点云作为训练集，并将其归一化至单位圆中；
(2)点云下采样：对训练集中的点云进行下采样，使得每个点云具有相同的点数m，点云中的每个点具有(x，y，z)三维坐标，其中，下采样方法使用最远点下采样法，首次随机选择一点，接下来每次都选择与被选择点集距离最远的点加入到被选择点集中，直至被选择点数满足要求；
(3)训练压缩模型：将经过第(2)步下采样后的点云输入到基于深度自编码器的点云几何压缩框架中进行训练；
(4)点云的几何压缩：将训练得到的压缩框架运用于此类所有点云的几何压缩。
2.根据权利要求1所述的点云几何压缩的方法，其特征在于：所述步骤(2)中下采样具体过程如下：
给定一待处理点云x，其点数为n，每个点具有(x，y，z)三维坐标，则将点云x用维度为n×3的矩阵表示，由于在不同的码率点处需要的点云点数不同，因此需要人为的对原始点云进行下采样；下采样方法为最远点下采样法；设待处理点云x具有n个点，用集合来表示为{x1，x2，...，xn}，使用最远点下采样法得到原点云的一个子集{xi1，xi2，...，xim}，使得xij为与前一层选择的点集距离最远的点，并将其加入到被选择点集中，迭代这一过程直至被选择点数满足要求。
3.根据权利要求1所述的点云几何压缩的方法，其特征在于：所述步骤(3)中的训练压缩框架主要包括以下步骤：
(3-1)设经过下采样后的点云点数为m，用维度为m×3的矩阵来表示，经过下采样后的点云通过由神经网络组成的编码器E编码成k个码字，记作y；
(3-2)将编码得到的码字y进行量化：
由于取整量化函数的导数为0或者无穷大，无法进行反向梯度传播，因此需要对其导数进行近似处理：
其中，r(y)即为近似函数，一种简单的选择为：
r(y)＝y+u. (3)
其中，u为[-0.5，0.5]间的随机噪声，在训练的过程中用公式(3)来代替量化，即可成功进行反向传播，训练完成后，在实际压缩过程中，使用原始的量化取整函数即可；
(3-3)将量化后的码字进行概率建模，求出码字的概率模型再根据概率模型计算码字的信息熵，作为模型训练的码率损失：
(3-4)对量化后的码字进行解码。解码器D由全连接神经网络构成，将码字解码成重构点云；将重构点云与原始输入点云使用倒角距离(Chamfer distance，dCH)计算误差：
其中，S1和S2分别是输入点云和重构点云；最终，压缩框架的率失真损失函数为：
其中，λ为权衡码率和失真的拉格朗日系数，fe表示编码器的非线性函数，fd表示解码器的非线性函数，为码字的概率模型。
4.根据权利要求1所述的一种基于深度自编码器的点云几何压缩的方法，其特征在于：所述步骤(4)中点云几何压缩的具体过程如下：
将训练完成的压缩框架运用于此类所有点云的几何压缩，首先将待压缩点云进行预处理和下采样，与第(1)和(2)步骤相同；对经过下采样后的点云用训练完成的编码器进行编码，对编码得到的码字进行量化，此时的量化不需要进行近似处理；将量化后的码字经过任意熵编码器编码就得到的用于存储和传输的码流；解码时，将码流进行熵解码得到码字，将码字使用训练完成的解码器进行解码得到重构点云。
CN201910635630.9A 2019-07-15 2019-07-15 一种基于深度自编码器的点云几何压缩的方法 Pending CN110349230A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910635630.9A CN110349230A (zh) 2019-07-15 2019-07-15 一种基于深度自编码器的点云几何压缩的方法
US16/929,374 US11494948B2 (en) 2019-07-15 2020-07-15 Point cloud geometric compression method based on depth auto-encoder

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910635630.9A CN110349230A (zh) 2019-07-15 2019-07-15 一种基于深度自编码器的点云几何压缩的方法

Publications (1)

Publication Number Publication Date
CN110349230A true CN110349230A (zh) 2019-10-18

Family

ID=68175318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910635630.9A Pending CN110349230A (zh) 2019-07-15 2019-07-15 一种基于深度自编码器的点云几何压缩的方法

Country Status (2)

Country Link
US (1) US11494948B2 (zh)
CN (1) CN110349230A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951196A (zh) * 2020-08-14 2020-11-17 北京大学深圳研究生院 基于图的渐进式点云下采样方法及装置
CN113219493A (zh) * 2021-04-26 2021-08-06 中山大学 一种基于三维激光雷达传感器的端到端点云数据压缩方法
CN113313834A (zh) * 2021-06-30 2021-08-27 北京大学深圳研究生院 一种基于几何可解释性的点云生成方法
WO2021244363A1 (zh) * 2020-06-05 2021-12-09 Oppo广东移动通信有限公司 点云压缩方法、编码器、解码器及存储介质
CN113808224A (zh) * 2021-08-18 2021-12-17 南京航空航天大学 一种基于块划分和深度学习的点云几何压缩方法
CN113850900A (zh) * 2021-05-27 2021-12-28 北京大学 三维重建中基于图像和几何线索恢复深度图的方法及系统
CN114092579A (zh) * 2021-11-16 2022-02-25 浙江工商大学 一种基于隐式神经网络的点云压缩方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11417029B2 (en) * 2019-12-02 2022-08-16 Tencent America LLC Method and apparatus for point cloud coding
CN112991473B (zh) * 2021-03-19 2023-07-18 华南理工大学 一种基于立方体模板的神经网络编码解码方法及系统
CN113191387B (zh) * 2021-03-27 2024-03-29 西北大学 结合无监督学习与数据自增强的文物碎片点云分类方法
CN113205466B (zh) * 2021-05-10 2024-04-02 南京航空航天大学 一种基于隐空间拓扑结构约束的残缺点云补全方法
CN113487691B (zh) * 2021-09-08 2022-01-28 北京医百科技有限公司 一种点云编码方法、系统及存储介质
CN114092580B (zh) * 2021-11-03 2022-10-21 华东交通大学 一种基于深度学习的三维点云数据压缩方法与系统
CN117409161A (zh) * 2022-07-06 2024-01-16 戴尔产品有限公司 点云处理方法和电子设备
CN115169556B (zh) * 2022-07-25 2023-08-04 美的集团(上海)有限公司 模型剪枝方法及装置
CN118364591B (zh) * 2024-06-20 2024-08-27 西北工业大学 一种基于三维点云变分自动编码器的螺旋桨参数化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100239178A1 (en) * 2009-03-23 2010-09-23 Level Set Systems Method and apparatus for accurate compression and decompression of three-dimensional point cloud data
CN107403456A (zh) * 2017-07-28 2017-11-28 北京大学深圳研究生院 一种基于kd树和优化图变换的点云属性压缩方法
CN107819469A (zh) * 2016-09-13 2018-03-20 达索系统公司 对表示物理属性的信号进行压缩
CN109859256A (zh) * 2019-03-13 2019-06-07 大连理工大学 一种基于自动对应点匹配的三维点云配准方法
CN109889840A (zh) * 2019-03-20 2019-06-14 北京大学深圳研究生院 点云编码和解码的方法、编码设备和解码设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019009449A1 (ko) * 2017-07-06 2019-01-10 삼성전자 주식회사 영상을 부호화/복호화 하는 방법 및 그 장치
US10796457B2 (en) * 2018-06-26 2020-10-06 Intel Corporation Image-based compression of LIDAR sensor data with point re-ordering

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100239178A1 (en) * 2009-03-23 2010-09-23 Level Set Systems Method and apparatus for accurate compression and decompression of three-dimensional point cloud data
CN107819469A (zh) * 2016-09-13 2018-03-20 达索系统公司 对表示物理属性的信号进行压缩
CN107403456A (zh) * 2017-07-28 2017-11-28 北京大学深圳研究生院 一种基于kd树和优化图变换的点云属性压缩方法
CN109859256A (zh) * 2019-03-13 2019-06-07 大连理工大学 一种基于自动对应点匹配的三维点云配准方法
CN109889840A (zh) * 2019-03-20 2019-06-14 北京大学深圳研究生院 点云编码和解码的方法、编码设备和解码设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI YAN 等: "Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds", 《ARXIV》 *
曹成坤等: "精度可控的字典全局相似性点云压缩", 《计算机辅助设计与图形学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244363A1 (zh) * 2020-06-05 2021-12-09 Oppo广东移动通信有限公司 点云压缩方法、编码器、解码器及存储介质
CN111951196A (zh) * 2020-08-14 2020-11-17 北京大学深圳研究生院 基于图的渐进式点云下采样方法及装置
CN113219493A (zh) * 2021-04-26 2021-08-06 中山大学 一种基于三维激光雷达传感器的端到端点云数据压缩方法
CN113219493B (zh) * 2021-04-26 2023-08-25 中山大学 一种基于三维激光雷达传感器的端到端点云数据压缩方法
CN113850900A (zh) * 2021-05-27 2021-12-28 北京大学 三维重建中基于图像和几何线索恢复深度图的方法及系统
CN113850900B (zh) * 2021-05-27 2024-06-21 北京大学 三维重建中基于图像和几何线索恢复深度图的方法及系统
CN113313834A (zh) * 2021-06-30 2021-08-27 北京大学深圳研究生院 一种基于几何可解释性的点云生成方法
CN113808224A (zh) * 2021-08-18 2021-12-17 南京航空航天大学 一种基于块划分和深度学习的点云几何压缩方法
CN114092579A (zh) * 2021-11-16 2022-02-25 浙江工商大学 一种基于隐式神经网络的点云压缩方法
CN114092579B (zh) * 2021-11-16 2024-05-14 浙江工商大学 一种基于隐式神经网络的点云压缩方法

Also Published As

Publication number Publication date
US20210019918A1 (en) 2021-01-21
US11494948B2 (en) 2022-11-08

Similar Documents

Publication Publication Date Title
CN110349230A (zh) 一种基于深度自编码器的点云几何压缩的方法
US10552989B2 (en) Point cloud attribute compression method based on KD tree and optimized graph transformation
CN109919864A (zh) 一种基于稀疏去噪自编码网络的图像压缩感知方法
CN113362223A (zh) 基于注意力机制和双通道网络的图像超分辨率重建方法
CN104199627B (zh) 基于多尺度在线字典学习的可分级视频编码系统
CN110069644B (zh) 一种基于深度学习的压缩域大规模图像检索方法
CN109886406A (zh) 一种基于深度压缩的复数卷积神经网络压缩方法
CN114821100B (zh) 基于结构组稀疏网络的图像压缩感知重建方法
CN115880762B (zh) 面向人机混合视觉的可伸缩人脸图像编码方法、系统
CN113379601A (zh) 基于降质变分自编码器的真实世界图像超分辨方法及系统
CN110248190A (zh) 一种基于压缩感知的多层残差系数图像编码方法
CN111541900B (zh) 基于gan的安防视频压缩方法、装置、设备及存储介质
Zebang et al. Densely connected AutoEncoders for image compression
CN112132158A (zh) 一种基于自编码网络的可视化图片信息嵌入方法
CN112288626A (zh) 一种基于双路径深度融合的人脸幻构方法及系统
CN115393452A (zh) 一种基于非对称自编码器结构的点云几何压缩方法
Liu Literature review on image restoration
CN110677644A (zh) 一种视频编码、解码方法及视频编码帧内预测器
CN113269702A (zh) 基于跨尺度特征融合的低曝光静脉图像增强方法
CN109982095B (zh) 基于cnn与gep的分形图像压缩编码方法
CN110569763B (zh) 一种用于细粒度人脸识别的眼镜去除方法
WO2020168526A1 (zh) 图像编码方法、设备及计算机可读存储介质
CN116402995A (zh) 基于轻量级神经网络的古建筑点云语义分割方法及系统
CN113949880B (zh) 一种极低码率人机协同图像编码训练方法及编解码方法
CN113542780B (zh) 一种网络直播视频的压缩伪影去除方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191018

WD01 Invention patent application deemed withdrawn after publication