CN110708560A - 点云数据处理方法和装置 - Google Patents

点云数据处理方法和装置 Download PDF

Info

Publication number
CN110708560A
CN110708560A CN201910575989.1A CN201910575989A CN110708560A CN 110708560 A CN110708560 A CN 110708560A CN 201910575989 A CN201910575989 A CN 201910575989A CN 110708560 A CN110708560 A CN 110708560A
Authority
CN
China
Prior art keywords
attribute
points
neighboring
point
prediction
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.)
Granted
Application number
CN201910575989.1A
Other languages
English (en)
Other versions
CN110708560B (zh
Inventor
芮世薰
刘杉
史蒂芬·文格尔
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.)
Tencent America LLC
Original Assignee
Tencent America LLC
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 Tencent America LLC filed Critical Tencent America LLC
Publication of CN110708560A publication Critical patent/CN110708560A/zh
Application granted granted Critical
Publication of CN110708560B publication Critical patent/CN110708560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/567—Motion estimation based on rate distortion criteria
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/40—Tree coding, e.g. quadtree, octree
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H04N19/126—Details of normalisation or weighting functions, e.g. normalisation matrices or variable uniform quantisers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
    • H04N19/23—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding with coding of regions that are present throughout a whole video segment, e.g. sprites, background or mosaic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/94—Vector quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/96—Tree coding, e.g. quad-tree coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

一种在解码器处理点云数据的方法，包括接收点云的一组点的三维(3D)坐标，该点云的所述一组点包括多个第一点和当前点。每一个第一点可以与重建属性值相关联。可以从第一点确定当前点的一组相邻点。可以基于相邻点的重建属性值确定每一个相邻点的属性距离。可以基于相邻点的属性距离确定当前点的属性预测。

Description

点云数据处理方法和装置
本申请要求于2018年7月10日提交的第62/696,217号美国临时申请案、于2018年7月17日提交的第62/699,031号美国临时申请案、于2018年9月5日提交的第62/727,372号美国临时申请案、于2018年9月10日提交的第62/729,389号美国临时申请案以及于2019年5月16日提交的第16/414,290号美国申请案的优先权，上述申请案的公开内容以全文引用的方式并入本文中。
技术领域
本申请涉及视频编码技术，尤其涉及点云数据处理方法和装置。
背景技术
本文所提供的背景描述旨在陈述本申请的研究范围。就本背景部分所述，以及在提交申请时可能不符合现有技术条件所述的各个方面，当前已署名的发明人的工作，既不明确也不隐含地承认为本申请的现有技术。
对世界进行三维(three-dimensional，3D)表示，能够进行更加沉浸式的交互和通信，并且还使得机器能够理解、解释和导航世界。点云(Point clouds)作为一种支持此类3D表示的技术，已经出现。运动图像专家组(Moving Picture Experts Group，MPEG)已经指出了与点云数据相关联的多个应用案例，并且提出了点云表示和压缩的相应要求。
发明内容
本申请的实施例提供了点云数据的处理方法和装置。在一个实施例中，一种在解码器处理点云数据的方法可以包括接收包括多个第一点和当前点的点云的一组点的三维(3D)坐标。每一个第一点可以与重建属性值相关联。可以从第一点确定当前点的一组相邻点。可以基于相邻点的重建属性值确定每一个相邻点的属性距离。可以基于相邻点的属性距离确定当前点的属性预测。
在一个实施例中，在解码器处理点云数据的另一种方法可包括接收点云的一组点的3D坐标，该点云的所述一组点包括多个第一点和当前点。每一个第一点可以与重建属性值相关联。可以从第一点确定当前点的一组相邻点。可以为所确定的相邻点的每一个重建属性值建立索引。可以接收从所确定的相邻点的重建属性值中选择的重建属性值的索引。可以将包括接收到的索引的重建属性值确定为当前点的属性预测。
本申请的实施例还提供了一种点云数据处理装置，包括：
第一接收模块，用于接收点云的一组点的三维坐标，所述点云的所述一组点包括多个第一点和当前点，每一个所述第一点与重建属性值相关联；
确定模块，用于从所述第一点确定所述当前点的一组相邻点；
索引建立模块，用于为所述确定的相邻点的每一个重建属性值建立索引；
第二接收模块，用于接收从所述确定的相邻点的重建属性值中选择的重建属性值的索引；以及
确定模块，用于将包括接收到的索引的所述重建属性值确定为所述当前点的属性预测。
本申请的实施例还提供了一种非易失性计算机可读存储介质，其上存储有指令，当所述指令被计算机执行时，使所述计算机执行本申请任一实施例所述的点云数据处理方法。
在基于插值的预测中，加权因子是当前样本与其每个相邻样本之间的几何距离的倒数，该加权因子用于形成相邻属性值的加权和以作为预测。在属性值平滑变化或均匀的区域中，这可能是有效的。然而，在其它情况下，属性距离与几何距离之间可能存在非常低的相关性，从而使得属性的基于几何的加权预测无效。为了解决上述问题，本申请实施例提出了多种技术来形成考虑属性信号编码的特性的点云属性的预测信号，提高了预测的准确率和效率。
附图说明
结合以下详细描述和附图，本申请的主题的其它特征、性质和各种优点得以进一步明确，在附图中：
图1示出了根据一个实施例的递归细分过程；
图2示出了根据一个实施例的细节级别(level of detail，LOD)生成过程；
图3示出了根据一个实施例的示例性编码器；
图4示出了根据一个实施例的示例性解码器；
图5示出了根据一个实施例的将索引与当前点的候选相邻样本组相关联的示例；
图6示出了使用截断一元码对索引进行编码的示例；
图7示出了根据一个实施例的将索引与多组候选相邻样本相关联的示例；
图8示出了根据一个实施例的基于属性向量的成本来分配索引的示例；
图9示出了通过额外考虑候选预测样本与当前样本的几何距离来对排序后的样本进行索引的示例；
图10示出了根据本申请一个实施例的属性预测过程；
图11A示出了根据本申请一个实施例的另一属性预测过程；
图11B示出了根据本申请一个实施例的点云数据处理装置的结构图；
图12是根据一个实施例的计算机系统的示意图。
具体实施方式
点云数据用于在诸如沉浸式虚拟现实(VR)/增强现实(AR)/混合现实(MR)/汽车/机器人导航、医学成像等一些新兴应用中，以表示三维(3D)场景或对象。点云包括单个3D点的集合。每个点与指示相应点的3D位置的一组3D坐标和诸如颜色、表面法线、不透明性、反射率等多个其它属性相关联。在各种实施例中，输入的点云数据可以被量化，并且随后被组织成可以使用八叉树数据结构来描述的立方体体素的3D网格。所得到的体素化(voxelized)八叉树有助于遍历、搜索和访问已量化的点云数据。
点云是3D空间中的一组点，每个点都具有相关联的属性，例如，颜色、材料属性等。点云可用于将对象或场景重建为这些点的合成物。点云可以在各种设置中使用多个照相机和深度传感器捕获，并且可以由数千甚至数十亿个点组成，以便真实地表示重建的场景。
当然，需要压缩技术来减少表示点云所需的数据量。因此，需要实时通信和六自由度(six Degrees of Freedom，6DoF)虚拟现实中所采用到的点云有损压缩技术。此外，在用于自主驾驶和文化遗产应用等的动态映射的情况下，也寻求用于无损点云压缩的技术。进一步地，需要标准来解决几何结构和属性(例如颜色和反射率)的压缩、可缩放/渐进编码、随时间捕获的点云序列的编码以及对点云子集的随机访问。
在一个实施例中，可以首先对输入的云数据中点的坐标进行量化。例如，可以将坐标的实数值量化为整数值。在量化之后，多个点可以在一些体素中共享相同的位置。某些复制点可选地可以合并到单个点中。
图1示出了根据一个实施例的递归细分过程(100)。过程(100)可被执行以生成八叉树结构来表示点云中的一组点的位置。如图所示，首先定义包含该组点的立方体轴对齐的边界框(101)。然后，递归地细分边界框(101)以构建八叉树结构。如图所示，在每个阶段，当前立方体可以被细分成8个子立方体。可以生成被称为占用码的8位码，以指示8个子立方体中的每一个是否包含点。例如，每个子立方体与1比特值相关联。如果该子立方体被占用，则相应子立方体的比特值为1；否则，相应子立方体的比特值为0。可以对被占用的子立方体进行划分，直到达到子立方体的预设最小尺寸。最小尺寸的子立方体是对应于八叉树结构的体素。因此，可生成占用码序列，且随后将其压缩并从编码器传输到解码器。通过对占用码进行解码(例如，执行八叉树解码过程)，解码器可以获得与编码器相同的八叉树结构，或者对八叉树结构的估计。
作为八叉树生成或编码过程的结果，在编码器侧，具有最小尺寸的子立方体可以包含多于一个点。因此，对应于体素的位置(例如，相应子立方体的中心)可以对应于多个点的多组属性。在这种情况下，在一个实施例中，可以执行属性传递过程，以基于相应体素的多组属性来确定一组属性。例如，最近相邻点的子集的平均属性可以用作相应体素的属性。为了属性传递的目的，在各种实施例中可以采用不同的方法。
图2示出了根据一个实施例的细节级别(LOD)生成过程(200)。过程(200)可以在根据八叉树解码过程排序的已量化的位置(例如体素位置)上执行。作为过程(200)的结果，可以将这些点重新组织或重新排序成一组细化级别。过程(200)可以在编码器和解码器同样地执行。随后的属性编码过程可以根据由过程(200)定义的顺序(称为基于LOD的顺序)在编码器或解码器执行。
具体地，图2示出了三个LOD：LOD0、LOD1和LOD2。可以分别为LOD0、LOD1和LOD2指定欧几里得距离d0、d1或d2。点P0至P9的子集包括在每个LOD中。相应的LOD中的每一对点之间的距离大于或等于相应的欧几里得距离。欧几里得距离可以以d0>d1>d2的方式排序。在这种布置中，较高的细化级别包括较少的彼此远离的点，并且提供点云的较粗略表示，而较低的细化级别包括更多的彼此靠近的点，并且提供点云的较精细表示。
作为上述LOD生成过程(200)的结果，以P0到P9的原始顺序(八叉树解码顺序)排序的点，可以被重新组织成基于LOD的顺序：P0、P5、P4、P2、P1、P6、P3、P9、P8和P7。
与点云相关联的属性可以按照LOD生成过程所定义的顺序来编码和解码。例如，基于LOD的顺序，可以通过在编码器和/或解码器处执行属性预测过程来逐点地确定每个当前点(当前正在处理的点)的属性预测。可以在编码器和解码器处执行类似的属性预测过程。
利用所获得的属性预测，在编码器处，可通过从当前点的相应原始属性值中减去属性预测值来生成残差信号。然后，可以对残差信号单独地或与其它残差信号组合起来进行压缩。例如，可以执行变换和/或量化操作，然后对所得信号进行熵编码。压缩后的残差信号可以以码流的形式传输到编码器。
在解码器处，通过执行在编码器处用于对残差信号进行编码的编码过程的逆过程，可以恢复残差信号。利用获得的属性预测和与当前点对应的恢复的残差信号，可以获得当前点的重建属性。以类似的方式，该重建操作可以在编码器进行以获得重建属性。
在各种实施例中，可采用各种属性预测技术来确定所述属性预测。通常，使用与当前点相邻的点的先前重建的属性来执行当前点的属性预测。当属性预测过程开始时，基于LOD的顺序，在当前点之前的点的重建属性值已经可用。此外，根据八叉树编码或解码过程，点云中的点的位置(3D坐标)也是可用的。因此，可以利用当前点的相邻点的重建属性和3D坐标的已知信息来执行属性预测过程。
在一些实施例中，可以首先使用各种算法来确定当前点的一组相邻点。在一个示例中，可执行基于k-d树结构的搜索过程以确定最接近当前点的一组点。
在一些实施例中，使用基于几何距离和/或属性距离的方法来确定所述属性预测。可以在编码器或解码器处基于一组确定的相邻点的重建属性的加权总和(或加权平均值)来确定所述预测属性。例如，利用一组确定的相邻点，可以在编码器或解码器处将所确定的相邻点的重建属性的加权总和(或加权平均值)确定为所述预测属性。例如，在基于加权总和的技术(也称为基于内插的技术)中使用的权重可以是几何距离或属性距离的倒数(或反比)。或者，权重可以是从基于几何距离的权重(几何权重)和基于属性距离的权重(属性权重)的组合导出的双边权重。
在一些实施例中，使用基于率失真(rate-distortion，RD)的方法来确定所述属性预测。例如，在编码器或解码器处可以将候选索引与一组相邻点的每个重建属性值相关联。在编码器处，可执行基于RD优化的过程来评估相邻点的候选重建属性值中的哪一个是用作属性预测的最佳选择。例如，可以通过当前点的原始(或真实)属性值与候选预测(候选重建属性值)之间的差来衡量失真。率可以是对所选候选预测的索引进行编码的成本。可以定义拉格朗日RD成本函数来确定最佳预测信号候选。因此，可以将所选择的候选预测的候选索引用信号通知给解码器。
因此，解码器可以首先确定相应当前点的同一组相邻点，并且以与编码器侧类似的方式将索引与同一组相邻点的重建属性值相关联。然后，解码器可使用用信号通知的候选索引从相邻点的重建属性值确定属性预测。
图3示出了根据一个实施例的示例性编码器(300)。该编码器可被配置为接收点云数据并压缩该点云数据，以生成携带压缩后的点云数据的码流。在一个实施例中，编码器(300)可包括位置量化模块(310)、重复点去除模块(312)、八叉树编码模块(330)、属性传递模块(320)、LOD生成模块(340)、属性预测模块(350)、残差量化模块(360)、算术编码模块(370)、逆残差量化模块(380)、加法模块(381)和用于存储重建属性值的存储器(390)。
如图所示，可以在编码器(300)处接收输入点云(301)。点云(301)的位置(3D坐标)被提供给量化模块(310)。量化模块(310)被配置为对该坐标进行量化以生成已量化的位置。可选的重复点去除模块(312)被配置为接收已量化的位置并执行滤波过程以识别和去除重复点。八叉树编码模块(330)被配置为从重复点去除模块接收已滤波的位置，并且执行基于八叉树的编码过程以生成描述体素的3D网格的占用码序列。将占用码提供给算术编码模块(370)。
属性传递模块(320)被配置为接收所输入的点云的属性，并且当多个属性值与相应体素相关联时，执行属性传递过程以确定每个体素的属性值。可以对从八叉树编码模块(330)输出的重新排序的点执行属性传递过程。将传递操作之后的属性提供给属性预测模块(350)。LOD生成模块(340)被配置为对从八叉树编码模块(330)输出的重新排序的点进行操作，并且将这些点重组成不同LOD。LOD信息被提供给属性预测模块(350)。
属性预测模块(350)根据来自LOD生成模块(340)的LOD信息所指示的基于LOD的顺序来处理点。属性预测模块(350)基于存储在存储器(390)中的当前点的一组相邻点的重建属性来生成当前点的属性预测。随后可以基于从属性传递模块(320)接收的原始属性值和本地生成的属性预测来获得预测残差。当在相应属性预测过程中使用候选索引时，可将与选择的预测候选相对应的索引提供给算术编码模块(370)。
残差量化模块(360)被配置为从属性预测模块(350)接收预测残差，并且执行量化以生成量化残差。量化残差被提供给算术编码模块(370)。
逆残差量化模块(380)被配置为从残差量化模块(360)接收量化残差，并且通过执行在残差量化模块(360)处执行的量化操作的逆操作来生成重建的预测残差。加法模块(381)被配置为从逆残差量化模块(380)接收重建的预测残差，并且从属性预测模块(350)接收相应的属性预测。通过组合重建的预测残差和属性预测，生成重建的属性值并将其存储到存储器(390)。
算术编码模块(370)被配置为接收占用码、候选索引(如果使用的话)、量化残差(如果生成的话)和其它信息，并且执行熵编码以进一步压缩所接收的值或信息。这样，可以生成携带压缩信息的压缩码流(302)。可将码流(302)传输到或以其它方式提供给对压缩码流进行解码的解码器，或可将码流(302)存储在存储设备中。
图4示出了根据实施例的示例性解码器(400)。解码器(400)可以被配置为接收压缩码流，并且执行点云数据解压缩以对该码流进行解压缩，从而生成解码的点云数据。在一个实施例中，解码器(400)可以包括算术解码模块(410)、逆残差量化模块(420)、八叉树解码模块(430)、LOD生成模块(440)、属性预测模块(450)和用于存储重建的属性值的存储器(460)。
如图所示，可在算术解码模块(410)处接收压缩码流(401)。算术解码模块(410)被配置为对压缩码流(401)进行解码，从而获得点云的量化残差(如果生成的话)和占用码。八叉树解码模块(430)被配置为根据占用码来确定点云中的点的重建位置。LOD生成模块(440)被配置为基于重建的位置将点重组成不同的LOD，并且确定基于LOD的顺序。逆残差量化模块(420)被配置为基于从算术解码模块(410)接收的量化残差生成重建的残差。
属性预测模块(450)被配置为执行属性预测过程，从而根据基于LOD的顺序确定点的属性预测。例如，可以基于存储在存储器(460)中的当前点的相邻点的重建属性值来确定当前点的属性预测。属性预测模块(450)可将属性预测与相应的重建残差组合以生成当前点的重建属性。
在一个示例中，从属性预测模块(450)生成的重建属性的序列与从八叉树解码模块(430)生成的重建位置一起对应于从解码器(400)输出的已解码的点云(402)。此外，重建属性也被存储到存储器(460)中，并且随后可以用于导出后续点的属性预测。
在各种实施例中，编码器(300)和解码器(400)可以用硬件、软件或其组合来实现。例如，编码器(300)和解码器(400)可以用诸如利用或不利用软件的一个或多个集成电路(IC)的处理电路来实现，该一个或多个集成电路诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)等。又例如，编码器(300)和解码器(400)可以实现为软件或固件，该软件或固件包括存储在非易失性(或非暂时性)计算机可读存储介质中的指令。当该指令被处理电路(诸如一个或多个处理器)执行时，使得处理电路执行编码器(300)和解码器(400)的功能。
应注意，被配置为实现本文中所揭示的属性预测技术的属性预测模块(350)或(450)可以被包含在其它解码器或编码器中，该解码器或编码器可具有与图3和图4中所示的结构类似或不同的结构。此外，编码器(300)和解码器(400)可以被设置在同一设备中，或者在各种示例中被设置在单独的设备中。
基于几何距离的内插技术可用于确定当前点的属性预测。例如，当执行当前点的属性预测时，点云中的点的3D坐标可能已经通过八叉树编码或解码过程变得可用。通过LOD生成过程还知道了点的基于LOD的顺序。根据基于LOD的顺序，在当前点之前的点的重建属性值也是可用的。
利用3D坐标和基于LOD的顺序的已知信息，可以根据在当前点之前处理的点来确定当前点的一组最近的相邻点。然后，可以确定相邻点的一组几何权重。相邻点的几何权重可以被定义为相邻点和当前点之间的几何距离的倒数(或成反比)。随后，可以基于该组几何权重和重建的属性值确定当前点的属性预测。例如，可以将相邻点的重建属性值的加权平均值确定为当前点的属性预测。加权平均值可以是相邻点的重建属性值的加权总和除以一组几何权重总和的结果。
在上述基于几何距离的内插技术中，加权因子可以是当前点和每个相邻点之间的几何距离的倒数，该加权因子可以用于形成相邻属性值的加权总和以作为属性预测。根据本申请的实施例，在属性值平滑变化或均匀的点云区域中，上述基于几何结构的技术趋于有效。然而，在其它情况下，在属性距离和几何距离之间可能存在非常低的相关性，从而使得属性的基于几何结构的加权预测不太有效。因此，在本申请中描述了其它属性预测技术，其可考虑相应属性信号的特性以形成用于点云属性的预测信号。与基于几何结构的技术相比，在考虑属性特征进行属性预测时，可以实现具有更高编码效率的更准确的属性预测。
作为几何距离(geometric distance，GEOD)的替代方案或与之相结合，属性距离可以被定义为并用作在属性编码的预测中使用的相邻点的邻近度的度量。
在一个实施例中，采用相邻点的重建属性值的中值来导出属性距离。然后，将每个相邻点的重建属性与中值的偏差定义为中值属性距离(median-attribute distance，MDAD)。因为用于计算中值属性距离的重建属性值在编码器和解码器处均可用，所以在编码器和解码器处可以计算该中值属性距离。
在一个实施例中，采用相邻点的重建属性值的均值来导出属性距离。然后，将每个相邻点的重建属性与均值的偏差定义为均值属性距离(mean-attribute distance，MNAD)。因为均值属性距离基于在编码器和解码器处均可用的重建属性值，所以在编码器或解码器处可以计算该均值属性距离。
在一个实施例中，中值属性距离或均值属性距离可用作邻近度的唯一度量，由此给出以下用于属性预测的基于属性的权重(Wa)的定义：
Figure BDA0002112070790000101
或
其中，“～”表示相应权重等于或正比于相应属性距离的倒数。
在另一实施例中，如上文所定义的MDAD或MNAD可与几何距离(GEOD)组合使以形成双边距离，该双边距离作为邻近度的度量，从而给出以下用于属性预测的双边权重(Wb)的定义：
Figure BDA0002112070790000103
或
Figure BDA0002112070790000104
其中，Wg表示几何权重并且定义如下：
Figure BDA0002112070790000105
此外，在一些实施例中，可以使用MDAD、MNAD和GEOD的组合。
在一些实施例中，基于几何、属性和/或诸如Wg、Wa和Wb的双边度量，基于可用的重建相邻样本(例如，当前点的相邻点的重建属性值)，采用赢家通吃(Winner-Take-All，WTA)方法来形成当前点的属性预测。例如，可以将重建的相邻属性值中具有最高权重的重建的相邻属性值确定为当前点的属性预测。在数学形式中，WTA方法可以表示为：
PREDWTA＝Pm，
其中，PREDWTA表示属性预测，
Figure BDA0002112070790000111
或
Figure BDA0002112070790000112
Figure BDA0002112070790000113
并且Pi是可用于预测的第i个重建的相邻属性值。
在一个实施例中，当形成或选择预测信号时，常常使用WTA方法。在另一个实施例中，无论是否使用WTA方法，编码器都可以用信号通知一个样本或一组样本，包括但不限于宏块、帧/条带/矩形块或整个序列。样本可以指与点云中的点相关联的一个或多个属性值。
在一个实施例中，仅当指定当前点的相邻属性值的可变性或均匀性的条件得到满足时，才使用WTA方法。可变性度量的一个示例是相邻属性值的最大差值。例如，当当前点的重建的相邻属性值的可变性大于或等于一阈值时，可以使用WTA方法。
在一个实施例中，只有当量化参数(quantization parameter，QP)满足一定的阈值条件(例如，小于一阈值，其可以指示当前点的重建的相邻属性值的高可变性)时，才采用WTA方法。否则，可以使用其它类型的属性预测，例如加权的预测(例如基于几何、属性或双边权重的预测)。另外，导致类似量化效应的编码条件也可单独使用或与QP组合使用，以确定使用哪一种属性预测方法。
在一些实施例中，使用重建的相邻属性值的加权总和，来基于诸如Wg、Wa和/或Wb的度量形成属性预测。例如，可以根据以下公式导出基于加权总和的属性预测：
Figure BDA0002112070790000114
或
Figure BDA0002112070790000115
其中，PREDWTS表示基于加权总和(或加权平均值)的属性预测，N是多个重建的相邻属性值，Pi是可用于预测的第i个重建的相邻属性值。
在一个实施例中，基于度量Wg、Wa和/或Wb的平方来计算基于加权总和(或加权平均值)的属性预测。例如，属性预测可以根据以下公式计算：
Figure BDA0002112070790000121
或
Figure BDA0002112070790000122
在一个实施例中，仅在量化参数QP满足一定阈值条件(例如，大于一阈值)时才使用加权平均值或加权总和形成属性预测。否则，在一些实施例中可以使用其它方法，诸如基于WTA的预测。导致类似量化效应的编码条件也可单独使用或与QP组合使用，以确定使用哪一种属性预测方法。
在一些实施例中，使用重建的相邻属性值的中值或加权中值形成当前点的属性预测。在一个实施例中，重建的相邻属性值的中值被用作属性预测。
在一个实施例中，重建的相邻属性值的加权中值被用作属性预测，该属性预测基于由度量(诸如Wa和/或Wb)所确定的权重。例如，可以按如下公式为每个相邻属性向量Xj定义成本函数f(Xj)
Figure BDA0002112070790000123
其中，Xi是具有i＝1，...，N、j＝1，...，N的相邻属性向量，N是对应于重建的相邻属性值的相邻点的数目，并且||·||p是可以选择p＝1或p＝2的Xp范数。权重Wj可以表示候选向量Xj的相对重要性，并且Wj越小，Xj越重要。使上面的f(Xj)最小化的向量Xj被定义为加权向量中值(XVM)。例如，当每个相邻属性向量Xj是一维的并且表示重建的相邻属性值时，可以基于成本函数f(Xj)计算加权中值属性值。例如，Wa或Wb的倒数可用作Wj。
在一个实施例中，仅当量化参数QP满足一定阈值条件(例如，小于或等于一阈值)时，中值或加权中值被用作属性预测。否则，可以使用诸如加权总和预测的其它方法。导致类似量化效应的编码条件也可单独使用或与QP组合使用，以确定使用哪一种属性预测方法。
在一些实施例中，首先例如通过执行基于k-d树结构的搜索过程确定当前点的一组最近的重建的相邻属性。随后，可以修剪该组确定的相邻属性值以去除不一致的重建相邻属性值。修剪过程可应用于本文所揭示的属性预测技术，例如WTA方法、基于加权总和的方法、基于加权中值的预测、基于RD优化的预测等。
在一个实施例中，执行重建的相邻属性值的一致性检查，以便去除一个或多个不一致的属性值。在一个示例中，不一致性检测找到一个或多个属性值，该一个或多个属性值与其它相邻属性值相比具有关于Wa或Wb的最低权重。可以将具有最低权重的一个或多个属性值从重建的相邻属性值的集合中去除。
在一个实施例中，考虑重建的相邻属性值的局部梯度的近似估计，从而避免跨越边缘的预测。例如，可以根据重建的相邻属性值之间的绝对属性值差的总和估计局部梯度。或者，可以根据沿着某个感兴趣方向的重建相邻属性值的子集之间的绝对属性值差的总和估计局部梯度。
在一些实施例中，在编码器处可以基于RD优化性能评估多于一种类型的属性预测方法。因此，可选择具有最高RD优化性能的属性预测方法并将其信号通知给解码器。例如，候选预测方法可以包括本文所公开的任何技术，诸如WTA方法、基于加权总和的方法、基于加权中值的预测、基于RD优化的预测等。
在一个实施例中，将指示所选预测方法的标志从编码器发信号通知到解码器，用于一个样本或一组样本(例如属性值)的预测编码。基于所接收的标志，解码器可确定所选择的用于预测相应的一个样本或一组样本的预测方法。
在一个示例中，对应于所选择的预测方法，可针对相应的一个样本或一组样本，发信号通知指示重建属性值的预设子集的索引。基于所接收的索引，解码器可确定用于预测相应的一个样本或一组样本的重建属性值的子集。
在一些实施例中，编码器或解码器可以确定用于属性预测的当前点的相邻点组，并且将索引与相邻点组的每个成员的重建属性值相关联。该相邻点组的重建属性值被用作候选，该候选用于选择重建属性值作为当前点的属性预测。编码器和解码器可以确定该相邻点组，并以相同或相似的方式将索引与候选重建的属性值相关联。
在确定相邻点组之后，在编码器侧，可执行基于RD优化的评估以从该相邻样本组(该相邻点组的重建属性值)中选择候选属性值作为当前点的预测。可以向解码器侧发信号通知与所选择的相邻样本相对应的索引。在解码器侧，基于接收到的索引，可以从相邻样本组中确定在编码器侧确定出的相同候选。候选可以用作解码器侧的当前点的预测。
在一个实施例中，提供用于当前点的属性预测的候选样本的相邻点组是基于几何距离的当前点的最近相邻点组。例如，可以通过对重建属性值已经可用的点执行基于k-d树结构的搜索过程来确定最近相邻点组。
在一个实施例中，可以通过包含两步的过程确定提供候选样本的相邻点组。例如，在第一步中根据几何距离可以确定当前点的一组最近的相邻点。此后，可以将最近相邻点组的子集选择为相邻点组。例如，该选择可以基于该组最近相邻点的每一成员的属性距离(例如，中值属性距离或均值属性距离)。具有最短属性距离的成员可以被确定为相邻点组。在另一示例中，该选择可以基于一组最近相邻点的每个成员的基于属性距离的权重或双边权重(例如Wa或Wg)。具有最高权重的成员可以被确定在该相邻点组中。在其它示例中，可以使用不同于上述方法的方法来确定该相邻点组。
图5示出了根据实施例的将索引分配给当前点的候选相邻样本组(510)的示例。如图所示，候选相邻样本组(510)包括具有重建属性值11、43、50、12、32和25的一组样本。在编码器侧或解码器侧执行排序过程以获得排序样本(521)-(526)的组(520)。在一个示例中，排序基于组(510)中每个样本的值。随后，将一组索引分配给基于中值优先的顺序的组(520)的成员。
例如，当已排序的相邻样本的组(520)具有奇数个成员时，具有中值的成员被分配索引0。然后，组(520)中的其它成员被分配索引，使得越接近中值的成员被分配越小的索引。对于与中值具有相等距离并且位于中值的两侧的一对成员，在不同实施例中可以首先为右侧成员或左侧成员分配索引(例如，分配较小的索引)。
在另一示例中，当已排序的相邻样本的组(520)具有偶数个成员时，两个正中间样本的值的平均值可用作中值。然后，以类似的方式，为组(520)中的成员分配索引，使得越接近中值的成员被分配越小的索引。对于与中值具有相等距离并且位于中值的两侧的一对成员，可以首先为右侧成员或左侧成员分配索引(例如，分配较小的索引)。在图5中，样本(523)和样本(524)是两个最中间的样本。在一个示例中，相应中值的左边的样本(523)可以被分配索引0。然而，在另一示例中，样本(524)可以被分配索引0。
在一个实施例中，使用如图6所示的截断一元码来编码图5示例中分配的索引。截断一元码的比特可以使用算术编码(例如具有多个上下文模型)进一步编码。在各种示例中，分配给已排序的候选相邻样本的组的索引可以用除了截断一元码之外的其它类型的码来编码。
图7示出了根据实施例的将索引与候选相邻样本的多个组(711)-(713)相关联的示例。例如，点云的点均与多个属性相关联，诸如RGB颜色通道的属性值。在这种情况下，当前点的候选相邻点组可以与相邻重建样本组(711)-(713)相关联。组(711)-(713)中的每一个对应于一个RGB颜色通道。编码器或解码器可首先执行排序过程以根据每一相应组中的样本值来对每个组(711)-(713)的属性值进行排序。因此，可以获得三个组(721)-(723)的排序的样本，如图7所示。
随后，以类似于图5示例中使用的方法的方式，可以为三组排序后的样本分配索引，例如基于中值优先的顺序。如图所示，每组(721)-(723)中的样本从左到右分配有索引4、2、0、1、3和5。
在一个实施例中，在以基于RD优化的评估过程为基础确定当前点的每个颜色通道的属性预测的操作期间，可以独立地处理RGB颜色通道。因此，可以确定对应于三个组(721)-(723)的三个索引，并且将其用信号通知到解码器侧。例如，所得到的索引可以用截断一元码或其它合适的码编码，并且还可以使用可能具有上下文模型的算术编码来压缩。
图8示出了根据一个实施例的基于属性向量的成本分配索引的示例。例如，云的点可以各自与属性向量相关联。每个属性向量可以包括一组属性值，例如RGB颜色通道的属性值。在这种情况下，当前点的相邻点组可以与包括可用于当前点的属性预测的候选重建属性值的一组相邻属性向量(811)-(816)相关联。
编码器或解码器可首先基于成本函数确定每一属性向量(811)-(816)的成本。在一个示例中，成本函数定义如下：
Figure BDA0002112070790000151
其中，f(Xj)表示对应于由Xj表示的相邻属性向量的成本，Xi是具有i＝1，...，N的相邻属性向量，并且||·||1是L1范数。将成本函数最小化的向量Xj被定义为向量中值(XVM)。在其它示例中，取决于属性向量的统计，可以使用其它成本函数。例如，可以使用不同的向量范数代替L1范数确定成本。
接下来，编码器或解码器可对相邻属性向量进行排序，例如基于相邻属性向量的成本以升序排序。然后，以与排序顺序一致的顺序为每个属性向量分配索引。例如，对应于相邻属性向量的升序，从0开始以升序分配索引。在图8中，属性向量(811)-(816)分别具有360、510、456、414、384和328的成本。因此，在排序操作之后，属性向量(811)-(816)按照(816)、(811)、(815)、(814)、(813)和(812)的顺序重新排列，如图8所示。然后，从0到5的索引被分配给从最低成本到最高成本的排序后的属性向量。
最后，与图7不同，用截断一元码或其它合适的码对使RD成本最小的所选候选向量的指定索引进行编码，并使用可能具有上下文模型的算术编码来对指定索引进一步压缩。
点云数据的采样网格通常是不均匀的。当对点云的属性值进行编码时，为当前点的属性预测而选择的相邻重建样本的数目可以根据这种当前点在点云中的位置而变化。因此，在一个实施例中，不是如上所述不管当前点的相邻样本的数目的奇偶性对索引进行编码，而是可将中值样本值本身用于一个选定的奇偶性情况。因此，可以节省对候选相邻样本的索引编码的辅助信息成本。
例如，如上所述的索引编码(或分配)是针对相邻样本的数目为偶数的情形执行的，而中值是针对相邻样本的数目为奇数的情形使用的。可替代地和相反地，对奇数个相邻样本情况执行索引编码，而将中值用于偶数个相邻样本情况。这样，当使用中值作为属性预测时，没有用信号通知索引，因此节省了编码比特。
在另一实施例中，当根据某一准则可用于当前点的属性预测的相邻样本组不均匀时，调用基于RD优化的属性预测(具有索引编码或分配)。或者，换句话说，当可用于当前点的属性预测的相邻样本组的可变性大于或等于一阈值时，可调用基于RD优化的属性预测。例如，当相邻样本之间的最大属性值差大于或等于某个阈值时，可以认为它是不均匀的。作为另一示例，重建的相邻属性值的局部梯度可用于检测使各个相邻区域不均匀的边缘。相反地，当相邻样本组是均匀的时候，可以采用WTA类型方案或相邻样本的加权总和或加权平均值进行当前点的属性预测。
在另一实施例中，上述排序样本的索引可通过额外考虑候选预测样本与当前样本(当前点的样本)的几何距离来执行。如图9所示，基于样本值对当前样本的相邻重建样本组(910)进行排序，得到排序样本(921)-(926)的组(920)。在例1中，根据中值优先的顺序将一组索引分配给排序后的样本(921)-(926)。通过考虑候选样本(921)-(926)的几何距离，可以如与例1相反的例2所示来分配索引。具体地，如果样本(924)在几何上比样本(923)更接近当前样本，则切换样本(923)和(924)的索引。类似地，在例3中，当样本(925)在几何上比样本(922)更接近当前样本时，可以以不同于例2的方式分配索引。具体地，样本(925)被调整以具有比样本(922)更小的索引值。
图10示出了根据本申请的一个实施例的过程(1000)的流程图。过程(1000)可用于在编码器侧或解码器侧生成点云的当前点的属性预测。在各种实施例中，过程(1000)可由处理电路执行，例如执行编码器(300)中的属性预测模块(350)的功能的处理电路，或执行编码器(400)中的属性预测模块(450)的功能的处理电路。在某些实施例中，过程(1000)通过软件指令实现，因此当处理电路执行软件指令时，处理电路执行过程(1000)。所述过程开始于(S1001)并进行到(S1010)。
在(S1010)处，可以接收点云的一组点的3D坐标。例如，可以从八叉树编码或解码过程获得3D坐标。然而，在其它实施例中可利用其它编码或解码过程。此外，该组点可以包括多个第一点，第一点的属性值已经被重建并且可用于该组点中所包括的当前点的属性预测。
在(S1020)处，如上所述，可以根据第一点确定当前点的一组相邻点。例如，根据到当前点的几何距离，相邻点组可以是一组最近的相邻点。
在(S1030)处，可以基于该相邻点组的重建属性值确定该组相邻点中的每一个的属性距离。例如，属性距离可以是中值属性距离、均值属性距离等。
在(S1040)处，可以基于相邻点组的属性距离确定当前点的属性预测。例如，可以基于相应的属性距离导出基于属性距离的权重或双边权重。可以采用加权总和或加权平均方案或WTA方案来基于相应的权重确定当前点的属性预测。在编码器侧，所获得的属性预测可用于通过从当前点的原始属性值中减去属性预测来生成当前点的预测残差。在解码器侧，所获得的属性预测可用于通过将属性预测添加到从熵解码过程生成的当前点的预测残差来生成当前点的重建属性值。过程(1000)进行到(S1099)，并在(S1099)结束。
图11A示出了根据本申请实施例的概述过程(1100)的流程图。该过程(1100)可用于在解码器侧生成点云的当前点的属性预测。在各种实施例中，过程(1100)可由处理电路执行，例如，执行编码器(400)中的属性预测模块(450)的功能的处理电路。在一些实施例中，以软件指令实现过程(1100)，因此当处理电路执行软件指令时，处理电路执行过程(1100)。该处理开始于(S1101)并进行到(S1110)。
在(S1110)，可以接收点云的一组点的3D坐标。例如，3D坐标可从八叉树解码过程或另一解码过程获得。此外，该组点可以包括多个第一点，第一点的属性值已经被重建并且可用于该组点中所包括的当前点的属性预测。
在(S1120)，可以根据第一点确定当前点的相邻点组。例如，根据到当前点的几何距离，相邻点组可以是一组最近的相邻点。可替代地和可选地，执行加法过程以选择最近相邻点组的子集作为相邻点组。例如，选择可以基于属性距离、基于属性的权重、和/或与最近相邻点组中的每一个相关联的双边权重。
在(S1130)，索引与当前点的相邻点组的重建属性值中的每一个相关联。例如，可以采用本文描述的索引编码方法。例如，可以在为索引分配重建的属性值之前对重建的属性值(或样本)或属性向量排序。
在(S1140)，可以例如从编码器侧接收索引，该索引指示从所确定的相邻点的重建属性值中选择的重建属性值。
在(S1150)，由接收到的索引指示的重建属性值可以用作当前点的属性预测。属性预测随后可用于生成当前点的重建属性值，例如，通过结合属性预测与从熵解码过程生成的相应预测残差生成当前点的重建属性值。过程(1100)进行到(S1199)，并在(S1199)结束。
本申请实施例还提供一种点云数据处理装置。如图11B所示，该装置包括：
第一接收模块1101，用于接收点云的一组点的三维坐标，所述点云的所述一组点包括多个第一点和当前点，每一个所述第一点与重建属性值相关联；
确定模块1102，用于从所述第一点确定所述当前点的一组相邻点；
索引建立模块1103，用于为所述确定的相邻点的每一个重建属性值建立索引；
第二接收模块1104，用于接收从所述确定的相邻点的重建属性值中选择的重建属性值的索引；以及
确定模块1105，用于将包括接收到的索引的所述重建属性值确定为所述当前点的属性预测。
上述技术可以通过计算机可读指令实现为计算机软件，并且物理地存储在一个或多个计算机可读介质中。例如，图12示出了适于实现所公开主题的某些实施例的计算机系统(1200)。
所述计算机软件可通过任何合适的机器代码或计算机语言进行编码，通过汇编、编译、链接等机制创建包括指令的代码，所述指令可由一个或多个计算机中央处理单元(CPU)、图形处理单元(GPU)等直接执行或通过译码、微代码等方式执行。
所述指令可以在各种类型的计算机或其组件上执行，包括例如个人计算机、平板电脑、服务器、智能手机、游戏设备、物联网设备等。
图12所示的用于计算机系统(1200)的组件本质上是示例性的，并且不旨在对实现本申请的实施例的计算机软件的使用范围或功能提出任何限制。也不应将组件的配置解释为对计算机系统(1200)的示范性实施例中所说明的组件中的任一者或组合具有任何依赖性或要求。
计算机系统(1200)可以包括某些人机界面输入设备。所述人机界面输入设备可以通过触觉输入(如：键盘输入、滑动、数据手套移动)、音频输入(如：声音、掌声)、视觉输入(如：手势)、嗅觉输入(未示出)对一个或多个人类用户的输入做出响应。所述人机界面设备还可用于捕捉不必直接与人类有意识输入相关的某些媒体，如音频(例如：语音、音乐、环境声音)、图像(例如：扫描图像、从静止影像相机获得的摄影图像)、视频(例如二维视频、包括立体视频的三维视频)。
人机界面输入设备可包括以下中的一个或多个(仅描绘其中一个)：键盘(1201)、鼠标(1202)、触控板(1203)、触摸屏(1210)、数据手套(未示出)、操纵杆(1205)、麦克风(1206)、扫描仪(1207)、照相机(1208)。
计算机系统(1200)还可以包括某些人机界面输出设备。所述人机界面输出设备可以通过例如触觉输出、声音、光和嗅觉/味觉来刺激一个或多个人类用户的感觉。所述人机界面输出设备可包括触觉输出设备(例如通过触摸屏(1210)、数据手套(未示出)或操纵杆(1205)的触觉反馈，但也可有不是输入设备的触觉反馈设备)、音频输出设备(例如，扬声器(1209)、耳机(未示出))、视觉输出设备(例如，包括阴极射线管屏幕、液晶屏幕、等离子屏幕、有机发光二极管屏的屏幕(1210)，其中每个都有或没有触摸屏输入功能、触觉反馈功能——其中一些可通过如立体画面输出等手段输出二维视觉输出或三维以上的输出；虚拟现实眼镜(未示出)、全息显示器和放烟箱(未示出))以及打印机(未示出)。
计算机系统(1200)还可以包括人类可访问的存储设备及其相关联介质，如包括具有CD/DVD的CD/DVD ROM/RW(1220)等介质(1221)的光学介质、拇指驱动器(1222)、可移动硬盘驱动器或固态驱动器(1223)、如磁带和软盘(未示出)的传统磁介质、如安全软件保护器(未示出)等的基于ROM/ASIC/PLD的专用设备，等等。
本领域技术人员还应当理解，结合本申请的主题使用的术语“计算机可读介质”不包括传输介质、载波或其它瞬时信号。
计算机系统(1200)还可以包括到一个或多个通信网络的接口。例如，网络可以是无线的、有线的、光学的。网络还可为局域网、广域网、城域网、车载网络和工业网络、实时网络、延迟容忍网络等等。网络还包括以太网、无线局域网、蜂窝网络(GSM、3G、4G、5G、LTE等)等局域网、电视有线或无线广域数字网络(包括有线电视、卫星电视、和地面广播电视)、车载和工业网络(包括CANBus)等等。某些网络通常需要连接到某些通用数据端口或外围总线(1249)(例如，计算机系统(1200)的USB端口)的外部网络接口适配器；其它系统通常通过连接到如下所述的系统总线集成到计算机系统(1200)的内核(例如，以太网接口集成到PC计算机系统或蜂窝网络接口集成到智能电话计算机系统)。通过使用这些网络中的任何一个，计算机系统(1200)可以与其它实体进行通信。所述通信可以是单向的，仅用于接收(例如，无线电视)，单向的仅用于发送(例如CAN总线到某些CAN总线设备)，或双向的，例如通过局域或广域数字网络到其它计算机系统。上述的每个网络和网络接口可使用某些协议和协议栈。
前述的人机界面设备、人类可访问存储设备和网络接口可以连接到计算机系统(1200)的内核(1240)。
内核(1240)可包括一个或多个中央处理单元(CPU)(1241)、图形处理单元(GPU)(1242)、以现场可编程门阵列(FPGA)(1243)形式存在的专用可编程处理单元、用于特定任务的硬件加速器(1244)等。上述设备以及只读存储器(ROM)(1245)、随机存取存储器(1246)、内部大容量存储器(例如内部非用户可存取硬盘驱动器、SSD等)(1247)等可通过系统总线(1248)进行连接。在某些计算机系统中，可以以一个或多个物理插头的形式访问系统总线(1248)，以便通过额外的中央处理单元、图形处理单元等进行扩展。外围装置可直接附接到内核的系统总线(1248)，或通过外围总线(1249)进行连接。外围总线的体系结构包括外部控制器接口PCI、通用串行总线USB等。
CPU(1241)、GPU(1242)、FPGA(1243)和加速器(1244)可以执行某些指令，这些指令组合起来可以构成上述计算机代码。该计算机代码可以存储在ROM(1245)或RAM(1246)中。过渡数据也可以存储在RAM(1246)中，而永久数据可以存储在例如内部大容量存储器(1247)中。通过使用高速缓存可实现对任何存储器设备的快速存储和检索，高速缓存可与一个或多个CPU(1241)、GPU(1242)、大容量存储器(1147)、ROM(1145)、RAM(1146)等紧密关联。
所述计算机可读介质上可具有用于执行各种计算机实现操作的计算机代码。介质和计算机代码可以是为本申请的目的而特别设计和构造的，也可以是计算机软件领域的技术人员所熟知和可用的介质和代码。
作为示例而非限制，具有体系结构(1200)的计算机系统，特别是内核(1240)，可以作为处理器(包括CPU、GPU、FPGA、加速器等)提供功能，执行包含在一个或多个有形的计算机可读介质中的软件。这种计算机可读介质可以是与如上所述的用户可访问的大容量存储器相关联的介质，以及具有非瞬时性质的内核(1240)的特定存储器，诸如内核内部大容量存储器(1247)或ROM(1245)。实现本申请的各种实施例的软件可以存储在这种设备中并且由内核(1240)执行。根据特定需要，计算机可读介质可包括一个或一个以上存储设备或芯片。该软件可以使得内核(1240)特别是其中的处理器(包括CPU、GPU、FPGA等)执行本文所述的特定过程或特定过程的特定部分，包括定义存储在RAM(1246)中的数据结构以及根据软件定义的过程来修改这种数据结构。另外或作为替代，计算机系统可以提供逻辑硬连线或以其他方式包含在电路(例如，加速器(1244))中的功能，该电路可以代替软件或与软件一起运行以执行本文所述的特定过程或特定过程的特定部分。在适当的情况下，对软件的引用可以包括逻辑，反之亦然。在适当的情况下，对计算机可读介质的引用可包括存储执行软件的电路(如集成电路(IC))，包含执行逻辑的电路，或两者兼备。本申请包括任何合适的硬件和软件组合。
虽然本申请已对多个示例性实施例进行了描述，但实施例的各种变更、置换和各种替代属于本申请的范围内。因此应理解，本领域技术人员能够设计多种系统和方法，所述系统和方法虽然未在本文中明确示出或描述，但其体现了本申请的原则，因此属于本申请的精神和范围之内。

Claims (20)

1.一种在解码器处理点云数据的方法，其特征在于，包括：
接收点云的一组点的三维坐标，所述点云的所述一组点包括多个第一点和当前点，每一个所述第一点与重建属性值相关联；
从所述第一点中确定所述当前点的一组相邻点；
基于所述相邻点的重建属性值，确定每一个相邻点的属性距离；以及
基于所述相邻点的属性距离，确定所述当前点的属性预测。
2.根据权利要求1所述的方法，其特征在于，所述当前点的所述确定的一组相邻点是所述第一点的子集，所述第一点在几何距离上最接近所述当前点。
3.根据权利要求1所述的方法，其特征在于，所述属性距离是：
所述相邻点的重建属性值中的一个重建属性值与所述相邻点的重建属性值的中值或均值的偏差。
4.根据权利要求1所述的方法，其特征在于，所述确定所述当前点的所述属性预测包括：
为所述相邻点的每一个重建属性值确定权重，其中，所述权重是以下中的一个：
第一基于属性的权重，其是所述相邻点的其中一个相应重建属性值与所述相邻点的重建属性值的中值的偏差的倒数；
第二基于属性的权重，其是所述相邻点的其中一个相应重建属性值与所述相邻点的重建属性值的均值的偏差的倒数；和
双边权重，其是对应于相应相邻点的基于几何距离的权重与所述第一基于属性的权重或所述第二基于属性的权重中一个的组合。
5.根据权利要求4所述的方法，其特征在于，所述确定所述当前点的所述属性预测进一步包括：
将所述相邻点的重建属性值中具有最高权重的一个重建属性值确定为所述当前点的所述属性预测。
6.根据权利要求5所述的方法，其特征在于，所述确定所述当前点的所述属性预测进一步包括：
当所述相邻点的重建属性值的可变性的度量大于一阈值时，将所述相邻点的重建属性值中具有最高权重的一个重建属性值确定为所述当前点的所述属性预测。
7.根据权利要求4所述的方法，其特征在于，所述确定所述当前点的所述属性预测进一步包括：
基于所述相邻点的重建属性值的权重，确定所述相邻点的重建属性值的加权总和，以作为所述当前点的所述属性预测。
8.根据权利要求4所述的方法，其特征在于，所述确定所述当前点的所述属性预测进一步包括：
基于所述相邻点的重建属性值的权重，确定所述相邻点的重建属性值的加权中值，以作为所述当前点的所述属性预测。
9.根据权利要求4所述的方法，其特征在于，进一步包括：
执行修剪过程以从所述当前点的所述相邻点移除具有不一致的重建属性值的点，所述具有不一致的重建属性值的点在所述当前点的所述相邻点的重建属性值中具有最低的基于属性的权重或双边权重；
其中，所述确定所述属性距离包括：
在执行所述修剪过程之后，确定每一个剩余相邻点的属性距离。
10.根据权利要求4所述的方法，其特征在于，进一步包括：
执行修剪过程以从所述当前点的所述相邻点移除具有不一致的重建属性值的点，所述具有不一致的重建属性值的点具有差值大于一阈值的基于属性的权重和基于几何距离的权重；
其中，所述确定所述属性距离包括：
在执行所述修剪过程之后，确定每一个剩余相邻点的属性距离。
11.根据权利要求1所述的方法，其特征在于，进一步包括：
接收标志语法元素，用于指示从多种预测方法中选择的预测方法；以及
利用所指示的预测方法，基于所述相邻点的属性距离确定所述当前点的所述属性预测。
12.一种在解码器处理点云数据的方法，其特征在于，包括：
接收点云的一组点的三维坐标，所述点云的所述一组点包括多个第一点和当前点，每一个所述第一点与重建属性值相关联；
从所述第一点确定所述当前点的一组相邻点；
为所述确定的相邻点的每一个重建属性值建立索引；
接收从所述确定的相邻点的重建属性值中选择的重建属性值的索引；以及
将包括接收到的索引的所述重建属性值确定为所述当前点的属性预测。
13.根据权利要求12所述的方法，其特征在于，所述从所述第一点确定所述当前点的一组相邻点包括：
将所述第一点中几何距离最接近所述当前点的点的子集确定为所述一组相邻点。
14.根据权利要求12所述的方法，其特征在于，所述从所述第一点确定所述当前点的一组相邻点包括：
确定所述第一点中几何距离最接近所述当前点的点的第一子集；以及
将属于所述第一子集的点的第二子集确定为所述一组相邻点，所述点的第二子集在所述点的第一子集当中具有最高的基于属性的权重或双边权重。
15.根据权利要求12所述的方法，其特征在于，所述为所述确定的相邻点的每一个重建属性值建立索引包括：
对所述确定的相邻点的重建属性值进行排序；以及
基于中值优先的顺序，将所述索引分配给排序后的所述重建属性值。
16.根据权利要求12所述的方法，其特征在于，所述第一点中的每一个点分别与多个重建属性值相关联，形成属性向量，并且
所述为所述确定的相邻点的每一个重建属性值建立索引包括：
基于相应的成本，按照成本升序对所述确定的相邻点的属性向量进行排序，所述成本由属性向量基于成本函数而确定；以及
将所述索引按升序分配给排序后的属性向量。
17.根据权利要求13所述的方法，其特征在于，
当所述确定的相邻点的数目为偶数和奇数中的一个时，将所述确定的相邻点的重建属性值的中值作为所述当前点的所述属性预测；以及
当所述确定的相邻点的数目是偶数和奇数中的另一个时，将所述索引与所述确定的相邻点的重建属性值中的每一个相关联。
18.根据权利要求12所述的方法，其特征在于，
当所述确定的相邻点的重建属性值的变化超过或等于一阈值时，将所述索引与所述确定的相邻点的重建属性值中的每一个相关联；以及
当所述确定的相邻点的重建属性值的变化不超过所述阈值时，根据所述确定的相邻点的重建属性值的基于几何距离的权重、基于属性的权重和基于双边距离的权重中的一个，执行加权总和，以确定所述当前点的所述属性预测。
19.一种点云数据处理装置，其特征在于，包括：
第一接收模块，用于接收点云的一组点的三维坐标，所述点云的所述一组点包括多个第一点和当前点，每一个所述第一点与重建属性值相关联；
确定模块，用于从所述第一点确定所述当前点的一组相邻点；
索引建立模块，用于为所述确定的相邻点的每一个重建属性值建立索引；
第二接收模块，用于接收从所述确定的相邻点的重建属性值中选择的重建属性值的索引；以及
确定模块，用于将包括接收到的索引的所述重建属性值确定为所述当前点的属性预测。
20.一种非易失性计算机可读存储介质，其特征在于，其上存储有指令，当所述指令被计算机执行时，使所述计算机执行如权利要求1至18任一项所述的方法。
CN201910575989.1A 2018-07-10 2019-06-28 点云数据处理方法和装置 Active CN110708560B (zh)

Applications Claiming Priority (10)

Application Number Priority Date Filing Date Title
US201862696217P 2018-07-10 2018-07-10
US62/696,217 2018-07-10
US201862699031P 2018-07-17 2018-07-17
US62/699,031 2018-07-17
US201862727372P 2018-09-05 2018-09-05
US62/727,372 2018-09-05
US201862729389P 2018-09-10 2018-09-10
US62/729,389 2018-09-10
US16/414,290 US10904564B2 (en) 2018-07-10 2019-05-16 Method and apparatus for video coding
US16/414,290 2019-05-16

Publications (2)

Publication Number Publication Date
CN110708560A true CN110708560A (zh) 2020-01-17
CN110708560B CN110708560B (zh) 2023-10-10

Family

ID=69138562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910575989.1A Active CN110708560B (zh) 2018-07-10 2019-06-28 点云数据处理方法和装置

Country Status (2)

Country Link
US (1) US10904564B2 (zh)
CN (1) CN110708560B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111405281A (zh) * 2020-03-30 2020-07-10 北京大学深圳研究生院 一种点云属性信息的编码方法、解码方法、存储介质及终端设备
WO2021023206A1 (zh) * 2019-08-05 2021-02-11 北京大学深圳研究生院 基于邻居权重优化的点云属性预测、编码和解码方法及设备
WO2021184380A1 (zh) * 2020-03-20 2021-09-23 Oppo广东移动通信有限公司 点云编码方法和解码方法、编码器、解码器、及存储介质
CN113473153A (zh) * 2020-03-30 2021-10-01 鹏城实验室 一种点云属性预测方法、编码方法、解码方法及其设备
CN113796014A (zh) * 2020-03-30 2021-12-14 腾讯美国有限责任公司 对点云编码的属性进行编码的方法
WO2022062369A1 (zh) * 2020-09-25 2022-03-31 Oppo广东移动通信有限公司 点云编解码方法与系统、及点云编码器与点云解码器
WO2022133755A1 (zh) * 2020-12-22 2022-06-30 Oppo广东移动通信有限公司 点云的解码方法、编码方法、解码器以及编码器
WO2022188583A1 (zh) * 2021-03-12 2022-09-15 腾讯科技（深圳）有限公司 基于点云属性预测的解码、编码方法、解码器及编码器
CN115086716A (zh) * 2021-03-12 2022-09-20 腾讯科技（深圳）有限公司 点云中邻居点的选择方法、装置及编解码器
CN115086658A (zh) * 2021-03-12 2022-09-20 腾讯科技（深圳）有限公司 点云数据的处理方法、装置、存储介质及编解码设备
WO2022247705A1 (zh) * 2021-05-26 2022-12-01 荣耀终端有限公司 一种点云属性信息的预测编解码方法及装置
WO2023023918A1 (zh) * 2021-08-23 2023-03-02 Oppo广东移动通信有限公司 解码方法、编码方法、解码器以及编码器
WO2023051534A1 (en) * 2021-09-29 2023-04-06 Beijing Bytedance Network Technology Co., Ltd. Method, apparatus and medium for point cloud coding
WO2023093866A1 (en) * 2021-11-26 2023-06-01 Beijing Bytedance Network Technology Co., Ltd. Method, apparatus, and medium for point cloud coding
WO2023093785A1 (en) * 2021-11-24 2023-06-01 Beijing Bytedance Network Technology Co., Ltd. Method, apparatus, and medium for point cloud coding
WO2023097694A1 (zh) * 2021-12-03 2023-06-08 Oppo广东移动通信有限公司 解码方法、编码方法、解码器以及编码器
WO2024120326A1 (zh) * 2022-12-09 2024-06-13 维沃移动通信有限公司 几何编码方法、几何解码方法及终端

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7448482B2 (ja) * 2018-11-16 2024-03-12 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元データ符号化方法、三次元データ復号方法、三次元データ符号化装置、及び三次元データ復号装置
US11039115B2 (en) * 2018-12-21 2021-06-15 Samsung Electronics Co., Ltd. Low complexity color smoothing of reconstructed point clouds
US20220327742A1 (en) * 2019-06-26 2022-10-13 Lg Electronics Inc. Point cloud data transmission device, point cloud data transmission method, point cloud data reception device and point cloud data reception method
US20230056576A1 (en) * 2020-02-06 2023-02-23 Pcms Holdings, Inc. 3d point cloud enhancement with multiple measurements
EP4092625A4 (en) * 2020-04-08 2023-04-19 LG Electronics, Inc. POINT CLOUD DATA TRANSMISSION DEVICE, TRANSMISSION METHOD, PROCESSING DEVICE AND PROCESSING METHOD
EP4131975A4 (en) * 2020-04-14 2023-11-22 LG Electronics, Inc. POINT CLOUD DATA TRANSMITTING APPARATUS, POINT CLOUD DATA TRANSMITTING METHOD, POINT CLOUD DATA RECEIVING APPARATUS, AND POINT CLOUD DATA RECEIVING METHOD
US11210845B2 (en) * 2020-04-22 2021-12-28 Pony Ai Inc. Point cloud data reformatting
JP7505926B2 (ja) * 2020-06-18 2024-06-25 Kddi株式会社 点群復号装置、点群復号方法及びプログラム
WO2021258374A1 (en) * 2020-06-24 2021-12-30 Beijing Xiaomi Mobile Software Co., Ltd. Method for encoding and decoding a point cloud
CN112509107B (zh) * 2020-12-03 2024-02-20 西安电子科技大学 一种点云属性重着色方法、装置及编码器
WO2022116118A1 (zh) * 2020-12-03 2022-06-09 Oppo广东移动通信有限公司 预测方法、编码器、解码器以及存储介质
US20220180567A1 (en) * 2020-12-04 2022-06-09 Tencent America LLC Method and apparatus for point cloud coding
JP7495185B2 (ja) 2020-12-25 2024-06-04 Kddi株式会社 点群復号装置、点群復号方法及びプログラム
US20240056604A1 (en) * 2020-12-28 2024-02-15 Sony Group Corporation Information processing apparatus and method
CN114760480A (zh) * 2021-01-08 2022-07-15 华为技术有限公司 图像处理方法、装置、设备及存储介质
US11611775B2 (en) 2021-01-19 2023-03-21 Tencent America LLC Method and apparatus for point cloud coding
JP2024527337A (ja) * 2021-07-02 2024-07-24 北京小米移動軟件有限公司 点群を符号化及び復号化する方法
WO2024037858A1 (en) * 2022-08-17 2024-02-22 Interdigital Ce Patent Holdings, Sas Rate distortion optimization for time varying textured mesh compression

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4694404A (en) * 1984-01-12 1987-09-15 Key Bank N.A. High-speed image generation of complex solid objects using octree encoding
US20120124113A1 (en) * 2010-11-05 2012-05-17 University of Maribor LIGHT DETECTION AND RANGING (LiDAR)DATA COMPRESSION AND DECOMPRESSION METHODS AND APPARATUS

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190346271A1 (en) * 2016-03-11 2019-11-14 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US10223810B2 (en) * 2016-05-28 2019-03-05 Microsoft Technology Licensing, Llc Region-adaptive hierarchical transform and entropy coding for point cloud compression, and corresponding decompression
EP3429211A1 (en) * 2017-07-13 2019-01-16 Thomson Licensing A method and apparatus for encoding/decoding the colors of a colored point cloud whose geometry is represented by an octree-based structure
US10897269B2 (en) * 2017-09-14 2021-01-19 Apple Inc. Hierarchical point cloud compression
US10805646B2 (en) * 2018-06-22 2020-10-13 Apple Inc. Point cloud geometry compression using octrees and binary arithmetic encoding with adaptive look-up tables
US10909725B2 (en) * 2017-09-18 2021-02-02 Apple Inc. Point cloud compression
US10559126B2 (en) * 2017-10-13 2020-02-11 Samsung Electronics Co., Ltd. 6DoF media consumption architecture using 2D video decoder
US10984541B2 (en) * 2018-04-12 2021-04-20 Samsung Electronics Co., Ltd. 3D point cloud compression systems for delivery and access of a subset of a compressed 3D point cloud
US10657689B2 (en) * 2018-04-13 2020-05-19 Sony Corporation Method and apparatus for point cloud color processing
US11012713B2 (en) * 2018-07-12 2021-05-18 Apple Inc. Bit stream structure for compressed point cloud data
US11122279B2 (en) * 2018-10-02 2021-09-14 Samsung Electronics Co., Ltd. Point cloud compression using continuous surface codes

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4694404A (en) * 1984-01-12 1987-09-15 Key Bank N.A. High-speed image generation of complex solid objects using octree encoding
US20120124113A1 (en) * 2010-11-05 2012-05-17 University of Maribor LIGHT DETECTION AND RANGING (LiDAR)DATA COMPRESSION AND DECOMPRESSION METHODS AND APPARATUS

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KHALED MAMMOU等: "G-PCC codec description v2", INTERNATIONAL ORGANISATION FOR STANDARDISATION ORGANISATION INTERNATIONALE DE NORMALISATION ISO/IEC JTC1/SC29/WG11 CODING OF MOVING PICTURES AND AUDIO，N18189 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021023206A1 (zh) * 2019-08-05 2021-02-11 北京大学深圳研究生院 基于邻居权重优化的点云属性预测、编码和解码方法及设备
WO2021184380A1 (zh) * 2020-03-20 2021-09-23 Oppo广东移动通信有限公司 点云编码方法和解码方法、编码器、解码器、及存储介质
CN111405281A (zh) * 2020-03-30 2020-07-10 北京大学深圳研究生院 一种点云属性信息的编码方法、解码方法、存储介质及终端设备
CN113796014B (zh) * 2020-03-30 2023-11-03 腾讯美国有限责任公司 一种对视频数据进行解码的方法和装置
WO2021197238A1 (zh) * 2020-03-30 2021-10-07 鹏城实验室 一种点云属性预测方法、编码方法、解码方法及其设备
CN113796014A (zh) * 2020-03-30 2021-12-14 腾讯美国有限责任公司 对点云编码的属性进行编码的方法
CN113473153B (zh) * 2020-03-30 2023-04-25 鹏城实验室 一种点云属性预测方法、编码方法、解码方法及其设备
CN113473153A (zh) * 2020-03-30 2021-10-01 鹏城实验室 一种点云属性预测方法、编码方法、解码方法及其设备
WO2022062369A1 (zh) * 2020-09-25 2022-03-31 Oppo广东移动通信有限公司 点云编解码方法与系统、及点云编码器与点云解码器
WO2022133755A1 (zh) * 2020-12-22 2022-06-30 Oppo广东移动通信有限公司 点云的解码方法、编码方法、解码器以及编码器
CN115086716A (zh) * 2021-03-12 2022-09-20 腾讯科技（深圳）有限公司 点云中邻居点的选择方法、装置及编解码器
CN115086660A (zh) * 2021-03-12 2022-09-20 腾讯科技（深圳）有限公司 基于点云属性预测的解码、编码方法、解码器及编码器
CN115086660B (zh) * 2021-03-12 2023-07-25 腾讯科技（深圳）有限公司 基于点云属性预测的解码、编码方法、解码器及编码器
US12113963B2 (en) 2021-03-12 2024-10-08 Tencent Technology (Shenzhen) Company Limited Method and apparatus for selecting neighbor point in point cloud, encoder, and decoder
CN115086658A (zh) * 2021-03-12 2022-09-20 腾讯科技（深圳）有限公司 点云数据的处理方法、装置、存储介质及编解码设备
WO2022188583A1 (zh) * 2021-03-12 2022-09-15 腾讯科技（深圳）有限公司 基于点云属性预测的解码、编码方法、解码器及编码器
TWI815339B (zh) * 2021-03-12 2023-09-11 大陸商騰訊科技（深圳）有限公司 基於點雲屬性預測的解碼方法、編碼方法、解碼器及編碼器、電子設備以及電腦可讀存儲介質
CN115086716B (zh) * 2021-03-12 2023-09-08 腾讯科技（深圳）有限公司 点云中邻居点的选择方法、装置及编解码器
WO2022247705A1 (zh) * 2021-05-26 2022-12-01 荣耀终端有限公司 一种点云属性信息的预测编解码方法及装置
WO2023023918A1 (zh) * 2021-08-23 2023-03-02 Oppo广东移动通信有限公司 解码方法、编码方法、解码器以及编码器
WO2023051534A1 (en) * 2021-09-29 2023-04-06 Beijing Bytedance Network Technology Co., Ltd. Method, apparatus and medium for point cloud coding
WO2023093785A1 (en) * 2021-11-24 2023-06-01 Beijing Bytedance Network Technology Co., Ltd. Method, apparatus, and medium for point cloud coding
WO2023093866A1 (en) * 2021-11-26 2023-06-01 Beijing Bytedance Network Technology Co., Ltd. Method, apparatus, and medium for point cloud coding
WO2023097694A1 (zh) * 2021-12-03 2023-06-08 Oppo广东移动通信有限公司 解码方法、编码方法、解码器以及编码器
WO2024120326A1 (zh) * 2022-12-09 2024-06-13 维沃移动通信有限公司 几何编码方法、几何解码方法及终端

Also Published As

Publication number Publication date
US10904564B2 (en) 2021-01-26
CN110708560B (zh) 2023-10-10
US20200021844A1 (en) 2020-01-16

Similar Documents

Publication Publication Date Title
CN110708560B (zh) 点云数据处理方法和装置
US11010931B2 (en) Method and apparatus for video coding
US11166048B2 (en) Method and apparatus for video coding
EP3861755B1 (en) Techniques and apparatus for weighted-median prediction for point-cloud attribute coding
CN113615181B (zh) 用于点云编解码的方法、装置
US11568571B2 (en) Techniques and apparatus for lossless lifting for attribute coding
JP7384520B2 (ja) フレーム間点群属性コーディングのための方法、装置及びコンピュータ・プログラム
US11469771B2 (en) Method and apparatus for point cloud compression
US12020461B2 (en) Method and apparatus for Haar-based point cloud coding
KR20210136082A (ko) 포인트 클라우드 속성 코딩을 위한 채널간 예측 및 변환을 위한 기술들 및 장치
CN113179411A (zh) 点云属性编解码方法、装置、计算机设备及存储介质
US20220180567A1 (en) Method and apparatus for point cloud coding
US20220392114A1 (en) Method and apparatus for calculating distance based weighted average for point cloud coding
CN113115019B (zh) 视频编解码方法、装置、计算机设备及存储介质
CN112188199B (zh) 自适应点云属性编码的方法、装置、电子设备和存储介质
CN112616058B (zh) 视频编码或解码方法、装置、计算机设备和存储介质
KR20230158622A (ko) 메시 압축을 위한 지오메트리 필터링
CN117223030A (zh) 用于网格压缩的边界uv2xyz索引的预测编解码
CN118575200A (zh) 用于网格压缩的自适应几何滤波

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
GR01 Patent grant
GR01 Patent grant