CN113994383A - 点云编解码方法和装置 - Google Patents

点云编解码方法和装置 Download PDF

Info

Publication number
CN113994383A
CN113994383A CN202080043324.7A CN202080043324A CN113994383A CN 113994383 A CN113994383 A CN 113994383A CN 202080043324 A CN202080043324 A CN 202080043324A CN 113994383 A CN113994383 A CN 113994383A
Authority
CN
China
Prior art keywords
reconstructed
points
location
point cloud
origin
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
CN202080043324.7A
Other languages
English (en)
Inventor
张翔
高文
刘杉
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 CN113994383A publication Critical patent/CN113994383A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/001Model-based coding, e.g. wire frame
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/40Tree coding, e.g. quadtree, octree
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90Methods 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

Landscapes

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

Abstract

本申请的各方面提供了点云压缩方法和装置。在一些示例中,用于点云压缩的装置包括处理电路。在一些实施例中,处理电路确定点云中与已重建位置相关联的一个或多个原始点。一个或多个原始点的位置是根据几何结构量化结果重建到已重建位置。然后处理电路基于一个或多个原始点的属性信息,确定已重建位置的属性值,并且通过具有所确定的属性值的已重建位置,对点云的纹理进行编码。

Description

点云编解码方法和装置
引用加入
本申请要求于2020年10月6日提交的申请号为17/064,029的美国专利申请“点云编解码方法和装置(METHOD AND APPARATUS FOR POINT CLOUD CODING)”的优先权,该美国专利申请要求于2019年12月2日提交的申请号为62/942,536的美国临时专利申请“点云编解码的混合编解码次序(HYBRID CODING ORDER FOR POINT CLOUD CODING)”。所述两个在先申请的全部内容通过引用包含在本申请中。
技术领域
本申请描述了大体上涉及点云编解码的实施例。
背景技术
本文中提供的背景技术描述是为了大体上呈现本申请的上下文。在此背景技术部分描述的程度上,当前署名的发明人的工作,以及在本申请提交时可能不具有作为现有技术的资格的描述的各方面,既不明确认为也不隐含认为是本申请的现有技术。
人们开发了各种技术来捕捉世界并在三维(3D)空间中表示世界,例如,世界中的物体、世界中的环境等。世界的3D表示可以实现更身临其境的交互和交流形式。点云可以用作世界的3D表示。点云是3D空间中的一组点,每个点都有相关的属性,例如,颜色、材料属性、纹理信息、强度属性、反射率属性、运动相关属性、形态属性和各种其它属性。此类点云可能包括大量的数据,其存储和传输可能成本高昂且耗时。
发明内容
本申请的各方面提供了点云压缩和解压缩方法和装置。在一些示例中,一种点云压缩/解压缩装置包括处理电路。在一些实施例中,处理器确定点云中与已重建位置相关联的一个或多个原始点。一个或多个原始点的位置可以根据几何结构量化结果重建到已重建位置。然后,处理器基于一个或多个原始点的属性信息,确定已重建位置的属性值,并且通过具有所确定的属性值的已重建位置,对点云的纹理进行编码。
在一些实施例中,所述装置包括存储数据结构的存储器,数据结构将一个或多个原始点与已重建位置相关联。基于已重建位置访问数据结构,以检索与已重建位置相关联的一个或多个原始点。
在一些实施例中,所述处理电路执行八叉树划分,将点云的空间划分为体素,并且将位于一个体素中的一个或多个原始点与用于表示所述体素的已重建位置相关联。在一示例中,所述关联关系使用适当的数据结果进行存储。
在一些实施例中,处理电路响应于多个原始点与已重建位置相关联,计算多个原始点的属性值的平均值,将其作为已重建位置的所确定的属性值。在一些示例中,处理电路计算多个原始点的属性值的加权平均值,将其作为已重建位置的所确定的属性值。在一示例中,处理电路基于多个原始点中的原始点与已重建位置之间距离的倒数,对多个原始点中的原始点的属性值进行加权。
在一些实施例中,处理电路响应于多个原始点与已重建位置相关联,将多个原始点中的距离最近点的特定属性值分配作为已重建位置的所确定的属性值。在一示例中,处理电路响应于多个原始点中的多个距离最近点与已重建位置之间具有相同的最短距离,选择多个距离最近点的属性值中的中值属性值。在另一示例中,处理电路响应于多个原始点中的多个距离最近点与已重建位置之间具有相同的最短距离,计算多个距离最近点的属性值的平均属性值。
本申请的各方面还提供了存储指令的非易失性计算机可读介质,所述指令在由点云编码/解码计算机执行时,使所述计算机执行所述点云编码/解码方法中的任意一种或其组合。
附图说明
结合以下详细描述和附图,本申请主题的其它特征、本质和各种优点将会变得更加清楚,其中:
图1是根据实施例的通信系统的简化框图示意图;
图2是根据实施例的流式传输系统的简化框图示意图;
图3示出了根据一些实施例的用于对点云帧进行编码的编码器框图;
图4示出了根据一些实施例的用于对与点云帧相对应的压缩码流进行解码的解码器框图;
图5是根据实施例的视频解码器的简化框图示意图;
图6是根据实施例的视频编码器的简化框图示意图;
图7示出了根据一些实施例的用于对点云帧进行编码的编码器框图;
图8示出了根据一些实施例的用于对与点云帧相对应的压缩码流进行解码的解码器的框图;
图9示出了根据本申请一些实施例的基于八叉树划分技术的立方体分割的图示。
图10示出了根据本申请一些实施例的八叉树划分和与八叉树划分相对应的八叉树结构的示例。
图11示出了说明根据本申请一些实施例的推导技术的示图。
图12示出了概述根据一些实施例的方法示例的流程图。
图13是根据实施例的计算机系统的示意图。
具体实施方式
本申请的各方面提供了点云编解码(PCC)技术。可以根据各种方案来进行PCC,例如,基于几何的方案(称为G-PCC)、基于视频编解码的方案(称为V-PCC)等。根据本申请的一些方面,G-PCC直接对3D几何结构进行编码,并且是纯基于几何结构的方法,与视频编解码没有太多共享内容,而V-PCC主要基于视频编解码。例如,V-PCC可以将3D云的点映射到2D网格(图像)的像素。V-PCC方案可以利用通用视频编解码器进行点云压缩。运动图片专家组(MPEG)正在研究分别使用G-PCC方案和V-PCC方案的G-PCC标准和V-PCC标准。
本申请的各方面提供了诸如G-PCC方案和V-PCC方案等PCC方案的重着色技术。该重着色技术可以提高点云的编解码速度。
点云可以广泛用于许多应用中。例如,点云可以用于自主驾驶车辆中进行物体检测和定位;点云可以在地理信息系统(GIS)中用于测绘,并且可以在文化遗产中用于可视化和存档文化遗产对象和收藏等。
在下文中,点云通常可以指3D空间中的一组点,每个点可以由具有相关联的属性(例如颜色、材质、纹理信息、强度属性、反射率属性、运动相关属性、模态属性,以及各种其它属性)的位置信息定义。点云可以用于将对象或场景重建为这些点的组合。这些点可以在各种设置中使用多个相机、深度传感器或激光雷达来采集,并且可以由数千到数十亿个点组成,以便真实地表示已重建场景。面片(patch)一般可以指由点云描述的表面的邻接子集。在一个示例中,面片包括彼此的表面法线向量的偏离小于阈值量的点。
压缩技术可以减少表示点云所需的数据量,以便更快地传输或减少存储量。这样,需要用于实时通信和六自由度(6DoF)虚拟现实的点云的有损压缩的技术。另外,也在寻求用于在自主驾驶和文化遗产应用等动态映射上下文中进行无损点云压缩的技术。
根据本申请的一个方面,V-PCC背后的主要理念是利用现有的视频编解码器将动态点云的几何结构、占用情况和纹理压缩为三个单独的视频序列。解释这三个视频序列所需的额外元数据分别进行压缩。整个码流的一小部分是元数据,其可使用软件实施方案来有效地编码/解码。大部分信息由视频编解码器处理。
图1示出了根据本申请实施例的通信系统(100)的简化框图。通信系统(100)包括可以经由例如网络(150)彼此通信的多个终端装置。例如,通信系统(100)包括经由网络(150)互连的一对终端装置(110)和(120)。在图1的示例中,第一对终端装置(110)和(120)可以执行点云数据的单向传输。例如,终端装置(110)可以压缩由与终端装置(110)连接的传感器(105)采集的点云(例如,表示结构的点)。压缩的点云可以经由网络(150),例如以码流的形式发送到另一终端装置(120)。终端装置(120)可以从网络(150)接收压缩的点云,对码流进行解压以重建点云,并且适当地显示已重建点云。单向数据传输在媒体服务应用等中可为常见的。
在图1的示例中,终端装置(110)和终端装置(120)可能图示为服务器和个人计算机,但是本申请的原理可以不限于此。本申请实施例适用于膝上型计算机、平板计算机、智能电话、游戏终端、媒体播放器和/或专用三维(3D)装置。网络(150)表示能够在终端装置(110)和终端装置(120)之间传输压缩点云的任意数量的网络。网络(150)可以包括例如有线和/或无线通信网络。网络(150)可以在电路交换和/或分组交换信道中交换数据。代表性网络包括电信网络、局域网、广域网和/或因特网。出于本申请讨论的目的,网络(150)的架构和拓扑对于本申请的操作可能并不重要,除非在下文另有解释。
图2图示了根据实施例的流式传输系统(200)的简化框图。图2的示例是将本申请所公开主题用于点云的应用。本申请所公开主题同样适用于其它用点云实现的应用,例如,3D远地视在应用、虚拟现实应用等等。
流式传输系统(200)可以包括采集子系统(213)。采集子系统(213)可以包括点云源(201),例如光检测和测距(LIDAR)系统、3D照相机、3D扫描仪、以软件形式生成未压缩点云的图形生成部件等生成例如未压缩点云(202)的部件。在一示例中,点云(202)包括由3D照相机采集的点。点云(202)描绘为粗线,以强调与压缩点云(204)(压缩点云的码流)相比,其具有较高的数据量。压缩点云(204)可以由电子装置(220)生成,电子装置(220)包括耦合到点云源(201)的编码器(203)。编码器(203)可以包括硬件、软件或其组合,以实现或实施以下更详细描述的本申请所公开主题的各方面。压缩点云(204)(或压缩点云的码流(204))描绘为细线,以强调与点云流(202)相比,其具有较低的数据量,其可以存储在流式传输服务器(205)上以供将来使用。一个或多个流式传输客户端子系统,如图2中的客户端子系统(206)和客户端子系统(208),可以访问流式传输服务器(205),以检索压缩点云(204)的副本(207)和副本(209)。客户端子系统(206)可以包括例如在电子装置(230)中的解码器(210)。解码器(210)对压缩点云的传入副本(207)进行解码,并产生可在呈现装置(212)上呈现的已重建点云的输出流(211)。
请注意,电子装置(220)和(230)可以包括其它组件(未示)。例如,电子装置(220)可以包括解码器(未示),电子装置(230)也可以包括编码器(未示)。
在一些流式传输系统中,压缩点云(204)、压缩点云(207)和压缩点云(209)(例如,压缩点云的码流)可以根据特定的标准来压缩。在一些示例中,视频编解码标准用于点云的压缩。这些标准的示例包括高效视频编码(HEVC)、通用视频编码(VVC)等等。
图3示出了根据一些实施例的用于编码点云帧的V-PCC编码器(300)的框图。在一些实施例中,V-PCC编码器(300)可以用于通信系统(100)和流式传输系统(200)中使用。例如,可以以与V-PCC编码器(300)类似的方式来配置和操作编码器(203)。
V-PCC编码器(300)接收点云帧作为未压缩输入,并生成与压缩点云帧相对应的码流。在一些实施例中,V-PCC编码器(300)可以从诸如点云源(201)等点云源接收点云帧。
在图3的示例中,V-PCC编码器(300)包括面片生成模块(306)、面片打包模块(308)、几何图像生成模块(310)、纹理图像生成模块(312)、面片信息模块(304)、占用地图模块(314)、平滑模块(336)、图像填充模块(316)和(318)、组膨胀模块(320)、视频压缩模块(322)、(323)和(332)、辅助面片信息压缩模块(338)、熵压缩模块(334)和复用器(324)。
根据本申请的一个方面,V-PCC编码器(300)将3D点云帧连同用于将压缩点云转换回解压缩点云的一些元数据(例如,占用地图和面片信息)一起转换为基于图像的表示。在一些示例中,V-PCC编码器(300)可以将3D点云帧转换为几何图像、纹理图像和占用地图,然后使用视频编码技术将几何图像、纹理图像和占用地图编码为码流。通常,几何图像是其像素填充有与投影到像素的点相关联的几何值的2D图像,填充有几何值的像素可以称为几何样本。纹理图像是其像素填充有与投影到像素的点相关联的纹理值的2D图像,填充有纹理值的像素可以被称为纹理样本。占用地图是其像素填充有指示由面片占用或未由面片占用的值的2D图像。
面片生成模块(306)将点云分割成一组面片(例如,面片被定义为由点云描述的表面的邻接子集),该组面片可以重叠或不重叠,使得每个面片可以由相对于2D空间中的平面的深度场来描述。在一些实施例中,面片生成模块(306)旨在将点云分解为具有光滑边界的最小数量的面片,同时还使重建误差最小化。
面片信息模块(304)可以收集指示面片的大小和形状的面片信息。在一些示例中,可以将面片信息打包到图像帧中,然后由辅助面片信息压缩模块(338)编码,以生成压缩的辅助面片信息。
面片打包模块(308)被配置为将提取的面片映射到2维(2D)网格上,同时使未使用的空间最小化并保证网格的每个M×M(例如,16×16)的块与唯一的面片相关联。有效的面片打包可以通过使未使用的空间最小化或确保时间一致性来直接影响压缩效率。
几何图像生成模块(310)可以生成与在给定面片位置处的点云的几何结构相关联的2D几何图像。纹理图像生成模块(312)可以生成与点云在给定面片位置处的纹理相关联的2D纹理图像。几何图像生成模块(310)和纹理图像生成模块(312)利用在打包过程期间计算的3D到2D映射,将点云的几何结构和纹理存储为图像。为了更好地处理多个点被投影到同一样本上的情况,将每个面片投影到两个图像上,称为层。在一个示例中,几何图像由YUV420-8比特格式的W×H的单色帧表示。为了生成纹理图像,纹理生成步骤利用已重建/平滑过的几何结构,以便计算要与重新采样点相关联的颜色。
占用地图模块(314)可以生成描述每个单元处的填充信息的占用地图。例如,占用图像包括二进制地图,该二进制地图针对网格的每个单元格,指示该单元格属于空白空间还是属于点云。在一个示例中,占用地图对每个像素使用二进制信息描述,描述该像素是否被填充。在另一示例中,占用地图对每个像素块使用二进制信息描述,描述该像素块是否被填充。
占用地图模块(314)生成的占用地图可以使用无损编码或有损编码来压缩。当使用无损编码时,使用熵压缩模块(334)来压缩占用地图。当使用有损编码时,使用视频压缩模块(332)来压缩占用地图。
请注意,面片打包模块(308)可以在打包在图像帧中的2D面片之间留下一些空白空间。图像填充模块(316)和(318)可以填充空白空间(称为填充),以生成可以适用于2D视频和图像编解码器的图像帧。图像填充也称为背景填充,其可以用冗余信息来填充未使用的空间。在一些示例中,良好的背景填充会最低限度地增加比特率,而不会在面片边界周围引入显著的编码失真。
视频压缩模块(322)、(323)和(332)可以基于适当的视频编码标准,例如,HEVC、VVC等,对2D图像,例如填充过的几何图像、填充过的纹理图像和占用地图进行编码。在一个示例中,视频压缩模块(322)、(323)和(332)是分开操作的单独组件。请注意,在另一示例中,视频压缩模块(322)、(323)和(332)可以实现为单个组件。
在一些示例中,平滑模块(336)被配置为生成已重建几何图像的平滑图像。可以将平滑图像提供给纹理图像生成(312)。然后,纹理图像生成(312)可以基于已重建几何图像来调整纹理图像的生成。例如,当面片形状(例如,几何结构)在编码和解码期间有轻微失真时,可以在生成纹理图像时考虑失真以校正面片形状的失真。
在一些实施例中,分组扩张(group dilation)(320)被配置为用冗余低频内容填充对象边界周围的像素,以便提高编解码增益以及已重建点云的视觉质量。
复用器(324)可以将压缩的几何图像、压缩的纹理图像、压缩的占用地图、压缩的辅助面片信息,多路复用到压缩的码流中。
图4示出了根据一些实施例的用于解码与点云帧相对应的压缩码流的V-PCC解码器(400)的框图。在一些实施例中,V-PCC解码器(400)可以在通信系统(100)和流式传输系统(200)中使用。例如,解码器(210)可以被配置为以与V-PCC解码器(400)类似的方式操作。V-PCC解码器(400)接收压缩码流,并基于压缩码流生成已重建点云。
在图4的示例中,V-PCC解码器(400)包括解复用器(432)、视频解压缩模块(434)和(436)、占用地图解压缩模块(438)、辅助面片信息解压缩模块(442)、几何重建模块(444)、平滑模块(446)、纹理重建模块(448)以及颜色平滑模块(452)。
解复用器(432)可以接收压缩码流,并将其分离成压缩的纹理图像、压缩的几何图像、压缩的占用地图和压缩的辅助面片信息。
视频解压缩模块(434)和(436)可以根据适当的标准(例如,HEVC、VVC等),对压缩的图像进行解码,并输出解压缩的图像。例如,视频解压缩模块(434)对压缩的纹理图像进行解码,并输出解压缩的纹理图像;视频解压缩模块(436)对压缩的几何图像进行解码,并输出解压缩的几何图像。
占用地图解压缩模块(438)可以根据适当的标准(例如,HEVC、VVC等)对压缩的占用地图进行解码,并输出解压缩的占用地图。
辅助面片-信息解压缩模块(442)可以根据适当的标准(例如,HEVC、VVC等)对压缩的辅助面片信息进行解码,并输出解压缩的辅助面片信息。
几何重建模块(444)可以接收解压缩的几何图像,并基于解压缩的占用地图和解压缩的辅助面片信息,生成重建的点云几何结构。
平滑模块(446)可以对面片边缘处的不一致进行平滑。平滑过程旨在减轻可能由于压缩伪影而可能在面片边界处出现的不连续性。在一些实施例中,可以将平滑滤波器应用于位于面片边界上的像素,以减轻可能由压缩/解压缩引起的失真。
纹理重建模块(448)能够基于解压缩的纹理图像和平滑后的几何结构来确定点云中的点的纹理信息。
颜色平滑模块(452)可以对着色的不一致进行平滑。3D空间中的非相邻面片通常在2D视频中被打包成彼此相邻。在一些示例中,来自非相邻面片的像素值可以由基于块的视频编解码器进行混合。颜色平滑的目标是减少出现在面片边界处的可见伪影。
图5示出了根据本申请实施例的视频解码器(510)的框图。视频解码器(510)可以用于V-PCC解码器(400)中。例如,视频解压缩模块(434)和(436)、占用地图解压缩模块(438)可以与视频解码器(510)以类似的方式配置。
视频解码器(510)可包括解析器(520),以根据诸如已编码视频序列的压缩图像重建符号(521)。这些符号的类别包括用于管理视频解码器(510)的操作的信息。解析器(520)可对接收到的已编码视频序列进行解析/熵解码。已编码视频序列的编码可根据视频编码技术或标准进行,且可遵循各种原理,包括可变长度编码、霍夫曼编码(Huffman coding)、具有或不具有上下文灵敏度的算术编码等等。解析器(520)可基于对应于群组的至少一个参数,从已编码视频序列中提取用于视频解码器中的像素的子群中的至少一个子群的子群参数集。子群可包括图片群组(Group of Pictures,GOP)、图片、图块(tile)、条带(slice)、宏块、编码单元(Coding Unit,CU)、块、变换单元(Transform Unit,TU)、预测单元(Prediction Unit,PU)等等。解析器(520)还可从已编码视频序列提取信息,例如,变换系数、量化器参数值、运动矢量等等。
解析器(520)可对从缓冲存储器接收的视频序列执行熵解码/解析操作,从而创建符号(521)。
取决于已编码视频图片或已编码视频图片部分的类型(例如:帧间图片和帧内图片、帧间块和帧内块)以及其它因素,符号(521)的重建可涉及多个不同单元。涉及哪些单元以及涉及方式可由解析器(520)从已编码视频序列解析的子群控制信息控制。为了简洁起见,未描述解析器(520)与下文的多个单元之间的此类子群控制信息流。
除已经提及的功能块以外,视频解码器(510)可在概念上细分成如下文所描述的数个功能单元。在商业约束下运行的实际实施例中,这些单元中的许多单元彼此紧密交互并且至少可以部分彼此集成。然而,出于描述所公开主题的目的,概念上细分成下文的功能单元是适当的。
第一单元是缩放器/逆变换单元(551)。缩放器/逆变换单元(551)从解析器(520)接收作为符号(521)的量化变换系数以及控制信息,包括使用哪种变换方式、块大小、量化因子、量化缩放矩阵等。缩放器/逆变换单元(551)可输出包括样本值的块,所述样本值可输入到聚合器(555)中。
在一些情况下,缩放器/逆变换单元(551)的输出样本可属于帧内编码块;即:不使用来自先前已重建图片的预测性信息、但可使用来自当前图片的先前已重建部分的预测性信息的块。此类预测性信息可由帧内图片预测单元(552)提供。在一些情况下,帧内图片预测单元(552)采用从当前图片缓冲器(558)提取的周围已重建信息,生成大小和形状与正在重建的块相同的块。举例来说,当前图片缓冲器(558)缓冲部分已重建当前图片和/或完全已重建当前图片。在一些情况下,聚合器(555)基于每个样本,将帧内预测单元(552)生成的预测信息添加到由缩放器/逆变换单元(551)提供的输出样本信息中。
在其它情况下,缩放器/逆变换单元(551)的输出样本可属于帧间编码和潜在运动补偿块。在此情况下,运动补偿预测单元(553)可访问参考图片存储器(557)以提取用于预测的样本。在根据属于所述块的符号(521)对提取的样本进行运动补偿之后,这些样本可由聚合器(555)添加到缩放器/逆变换单元(551)的输出(在这种情况下被称作残差样本或残差信号),从而生成输出样本信息。运动补偿预测单元(553)从参考图片存储器(557)内的地址获取预测样本可受到运动矢量控制,且所述运动矢量以所述符号(521)的形式而供运动补偿预测单元(553)使用,所述符号(521)例如是包括X、Y和参考图片分量。运动补偿还可包括在使用子样本精确运动矢量时,从参考图片存储器(557)提取的样本值的插值、运动矢量预测机制等等。
聚合器(555)的输出样本可在环路滤波器单元(556)中被各种环路滤波技术采用。视频压缩技术可包括环路内滤波器技术,所述环路内滤波器技术受控于包括在已编码视频序列(也称作已编码视频码流)中的参数,且所述参数作为来自解析器(520)的符号(521)可用于环路滤波器单元(556),但是还可响应于在解码已编码图片或已编码视频序列的先前(按解码次序)部分期间获得的元信息,以及响应于先前已重建且经过环路滤波的样本值。
环路滤波器单元(556)的输出可以是样本流,所述样本流可输出到显示装置以及存储在参考图片存储器(557)中,以用于后续的帧间图片预测。
一旦完全重建,某些已编码图片就可用作参考图片以用于将来预测。举例来说,一旦对应于当前图片的已编码图片被完全重建,且已编码图片(通过例如解析器(520))被识别为参考图片,则当前图片缓冲器(558)可变为参考图片存储器(557)的一部分,且可在开始重建后续已编码图片之前重新分配新的当前图片缓冲器。
视频解码器(510)可根据例如ITU-T H.265建议书等标准中的预定视频压缩技术执行解码操作。在已编码视频序列遵循视频压缩技术或标准的语法以及视频压缩技术或标准中记录的配置文件的意义上,已编码视频序列可符合所使用的视频压缩技术或标准指定的语法。具体地说,配置文件可从视频压缩技术或标准中可用的所有工具中选择某些工具作为在所述配置文件下可供使用的仅有工具。对于合规性,还要求已编码视频序列的复杂度处于视频压缩技术或标准的层级所限定的范围内。在一些情况下,层级限制最大图片大小、最大帧率、最大重建取样率(以例如每秒兆(mega)个样本为单位进行测量)、最大参考图片大小等。在一些情况下,由层级设定的限制可通过假想参考解码器(HypotheticalReference Decoder,HRD)规范和在已编码视频序列中用信号表示的HRD缓冲器管理的元数据来进一步限定。
图6示出了根据本申请实施例的视频编码器(603)的框图。视频编码器(603)能够用于在V-PCC编码器(300)中压缩点云。在一个示例中,视频压缩模块(322)和(323)以及视频压缩模块(332)与编码器(603)以类似的方式配置。
视频编码器(603)可以接收图像,例如填充的几何图像、填充的纹理图像等,并且生成压缩图像。
根据实施例,视频编码器(603)可实时或在由应用所要求的任何其它时间约束下,将源视频序列的图片(图像)编码且压缩成已编码视频序列(压缩图像)。施行适当的编码速度是控制器(650)的一个功能。在一些实施例中,控制器(650)控制如下文所描述的其它功能单元且在功能上耦接到这些单元。为了简洁起见,图中未标示耦接。由控制器(650)设置的参数可包括速率控制相关参数(图片跳过、量化器、率失真优化技术的λ值等)、图片大小、图片群组(group of pictures,GOP)布局,最大运动矢量搜索范围等。控制器(650)可用于具有其它合适的功能,这些功能涉及针对某一系统设计优化的视频编码器(603)。
在一些实施例中,视频编码器(603)在编码环路中运作。作为简单的描述,在一个示例中,编码环路可包括源编码器(630)(例如,负责基于待编码的输入图片和参考图片创建符号,例如,符号流)和嵌入于视频编码器(603)中的(本地)解码器(633)。解码器(633)以类似于(远程)解码器创建样本数据的方式重建符号,以创建样本数据(因为在本申请所公开的主题所考虑的视频压缩技术中,符号与已编码视频码流之间的任何压缩是无损的)。将已重建样本流(样本数据)输入到参考图片存储器(634)。由于符号流的解码产生与解码器位置(本地或远程)无关的位精确结果,因此参考图片存储器(634)中的内容在本地编码器与远程编码器之间也是按比特位精确对应的。换句话说,编码器的预测部分“看到”的参考图片样本与解码器将在解码期间使用预测时所“看到”的样本值完全相同。这种参考图片同步性基本原理(以及在例如因信道误差而无法维持同步性的情况下产生的漂移)也用于一些相关技术。
“本地”解码器(633)的操作可与例如已在上文结合图5详细描述视频解码器(510)的“远程”解码器相同。然而,另外简要参考图5,当符号可用且熵编码器(645)和解析器(520)能够无损地将符号编码/解码到已编解码视频序列时,包括解析器(520)在内的视频解码器(510)的熵解码部分,可能不完全在本地解码器(633)中实施。
此时可以观察到,除存在于解码器中的解析/熵解码之外的任何解码器技术,也必定以基本上相同的功能形式存在于对应的编码器中。出于此原因,本申请侧重于解码器操作。可简化编码器技术的描述,因为编码器技术与全面地描述的解码器技术互逆。仅在某些区域中需要更详细的描述,并且在下文提供。
在操作期间,在一些示例中,源编码器(630)可执行运动补偿预测编码,参考来自视频序列中被指定为“参考图片”的一个或多个先前已编码图片,对输入图片进行预测性编码。以此方式,编码引擎(632)对输入图片的像素块与参考图片的像素块之间的差值进行编码,所述参考图片可被选作所述输入图片的预测参考。
本地视频解码器(633)可基于源编码器(630)创建的符号,对可指定为参考图片的图片的已编码视频数据进行解码。编码引擎(632)的操作可为有损过程。当已编码视频数据可在视频解码器(图6中未示)处解码时,已重建视频序列通常可以是带有一些误差的源视频序列的副本。本地视频解码器(633)复制解码过程,所述解码过程可由视频解码器对参考图片执行,且可使已重建参考图片存储在参考图片高速缓存(634)中。以此方式,视频编码器(603)可在本地存储已重建参考图片的副本,所述副本与将由远端视频解码器获得的已重建参考图片具有共同内容(不存在传输误差)。
预测器(635)可针对编码引擎(632)执行预测搜索。即,对于将要编码的新图片,预测器(635)可在参考图片存储器(634)中搜索可作为所述新图片的适当预测参考的样本数据(作为候选参考像素块)或某些元数据,例如,参考图片运动矢量、块形状等。预测器(635)可基于样本块逐像素块操作,以找到合适的预测参考。在一些情况下,根据预测器(635)获得的搜索结果,可确定输入图片可具有从参考图片存储器(634)中存储的多个参考图片取得的预测参考。
控制器(650)可管理源编码器(630)的编码操作,包括例如设置用于对视频数据进行编码的参数和子群参数。
可在熵编码器(645)中对所有上述功能单元的输出进行熵编码。熵编码器(645)根据例如霍夫曼编码、可变长度编码、算术编码等技术对各种功能单元生成的符号进行无损压缩,从而将所述符号转换成已编码视频序列。
控制器(650)可管理视频编码器(603)的操作。在编码期间,控制器(650)可以为每个已编码图片分配某一已编码图片类型,这可能影响可应用于相应的图片的编码技术。例如,通常可将图片分配为以下任一种图片类型:
帧内图片(I图片),其可以是不将序列中的任何其它图片用作预测源就可被编码和解码的图片。一些视频编解码器容许不同类型的帧内图片,包括例如独立解码器刷新(Independent Decoder Refresh,“IDR”)图片。所属领域的技术人员了解I图片的变体及其相应的应用和特征。
预测性图片(P图片),其可以是可使用帧内预测或帧间预测进行编码和解码的图片,所述帧内预测或帧间预测使用至多一个运动矢量和参考索引来预测每个块的样本值。
双向预测性图片(B图片),其可以是可使用帧内预测或帧间预测进行编码和解码的图片,所述帧内预测或帧间预测使用至多两个运动矢量和参考索引来预测每个块的样本值。类似地,多个预测性图片可使用多于两个参考图片和相关联元数据以用于重建单个块。
源图片通常可在空间上细分成多个样本块(例如,每个具有4×4、8×8、4×8或16×16个样本的块),且逐块进行编码。这些块可参考其它(已编码)块进行预测编码,根据应用于块的相应图片的编码分配来确定所述其它块。举例来说,I图片的块可进行非预测编码,或所述块可参考同一图片的已经编码的块来进行预测编码(空间预测或帧内预测)。P图片的像素块可参考一个先前编码的参考图片通过空间预测或通过时域预测进行预测编码。B图片的块可参考一个或两个先前编码的参考图片通过空间预测或通过时域预测进行预测编码。
视频编码器(603)可根据例如ITU-T H.265建议书的预定视频编码技术或标准执行编码操作。在操作中,视频编码器(603)可执行各种压缩操作,包括利用输入视频序列中的时间和空间冗余的预测编码操作。因此,已编码视频数据可符合所用视频编码技术或标准指定的语法。
视频可呈时间序列的多个源图片(图像)的形式。帧内图片预测(常常简化为帧内预测)利用给定图片中的空间相关性,而帧间图片预测则利用图片之间的(时间或其它)相关性。在实施例中,将正在编码/解码的特定图片分割成块,正在编码/解码的特定图片被称作当前图片。在当前图片中的块类似于视频中先前已编码且仍被缓冲的参考图片中的参考块时,可通过称作运动矢量的矢量对当前图片中的块进行编码。所述运动矢量指向参考图片中的参考块,且在使用多个参考图片的情况下,所述运动矢量可具有识别参考图片的第三维度。
在一些实施例中,双向预测技术可用于帧间图片预测中。根据双向预测技术,使用两个参考图片,例如,按解码次序都在视频中的当前图片之前(但按显示次序可能分别是过去和将来)第一参考图片和第二参考图片。可通过指向第一参考图片中的第一参考块的第一运动矢量和指向第二参考图片中的第二参考块的第二运动矢量对当前图片中的块进行编码。可通过第一参考块和第二参考块的组合来预测所述块。
此外,合并模式技术可用于帧间图片预测中以改善编码效率。
根据本申请公开的一些实施例,帧间图片预测和帧内图片预测等预测的执行以块为单位。举例来说,根据HEVC标准,将视频图片序列中的图片分割成编码树单元(codingtree unit,CTU)以用于压缩,图片中的CTU具有相同大小,例如,64×64像素、32×32像素或16×16像素。一般来说,CTU包括三个编码树块(coding tree block,CTB),所述三个编码树块是一个亮度CTB和两个色度CTB。更进一步的,还可将每个CTU以四叉树拆分为一个或多个编码单元(coding unit,CU)。举例来说,可将64×64像素的CTU拆分为一个64×64像素的CU,或4个32×32像素的CU,或16个16×16像素的CU。在实施例中,分析每个CU以确定用于CU的预测类型,例如,帧间预测类型或帧内预测类型。此外,取决于时间和/或空间可预测性,将CU拆分为一个或多个预测单元(prediction unit,PU)。通常,每个PU包括亮度预测块(prediction block,PB)和两个色度PB。在实施例中,编码(编码/解码)中的预测操作以预测块为单位来执行。以亮度预测块作为预测块为例,预测块包括像素值(例如,亮度值)的矩阵,例如,8×8像素、16×16像素、8×16像素、16×8像素等等。
图7示出了根据实施例的G-PPC编码器(700)的框图。编码器(700)可以被配置为接收点云数据并压缩点云数据,以生成携带压缩点云数据的码流。在实施例中,编码器(700)可以包括位置量化模块(710)、重复点去除模块(712)、八叉树编码模块(730)、属性传递模块(720)、细节层次(LOD)生成模块(740)、属性预测模块(750)、残差量化模块(760)、算术编码模块(770)、逆残差量化模块(780)、加法模块(781)以及用于存储已重建属性值的存储器(790)。
如图7所示,可以在编码器(700)处接收输入点云(701)。将点云(701)的位置(例如,3D坐标)提供给量化模块(710)。量化模块(710)被配置为对所述坐标进行量化,以生成量化的位置。重复点去除模块(712)被配置为接收量化的位置并执行滤波过程,以标识和去除重复点。八叉树编码模块(730)被配置为从重复点去除模块(712)接收经滤波的位置,并且执行基于八叉树的编码过程,以生成用于描述体素的3D网格的占用码序列。占用码提供给算术编码模块(770)。
属性传递模块(720)被配置为接收输入点云的属性,并且当多个属性值与各个体素相关联时,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(730)输出的重新排序后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(750)。LOD生成模块(740)被配置为对八叉树编码模块(730)输出的重新排序后的点进行操作,并将这些点重新组织成不同的LOD。将LOD信息提供给属性预测模块(750)。
属性预测模块(750)根据来自LOD生成模块(740)的LOD信息所指示的基于LOD的顺序,处理这些点。属性预测模块(750)基于存储在存储器(790)中的当前点的一组相邻点的已重建属性,生成当前点的属性预测值。随后可以基于从属性传递模块(720)接收的原始属性值和本地生成的属性预测值,获得预测残差。当在各个属性预测过程中使用候选索引时,可以将与所选择的预测候选对应的索引提供给算术编码模块(770)。
残差量化模块(760)被配置为从属性预测模块(750)接收预测残差,并执行量化以生成量化残差。量化残差提供给算术编码模块(770)。
逆残差量化模块(780)被配置为从残差量化模块(760)接收量化残差,并且通过在残差量化模块(760)处执行的量化操作的逆操作来生成已重建预测残差。加法模块(781)被配置为从逆残差量化模块(780)接收已重建预测残差,并从属性预测模块(750)接收各个属性预测值。通过组合已重建预测残差和属性预测值,生成已重建属性值,并将其存储到存储器(790)。
算术编码模块(770)被配置为接收占用码、候选索引(如果使用)、量化残差(如果生成)和其它信息,并且执行熵编码,以进一步压缩接收到的值或信息。结果,可以生成携带压缩信息的压缩的码流(702)。码流(702)可以被传输或以其它方式提供给对压缩的码流进行解码的解码器,或者可以存储在存储装置中。
图8示出了根据实施例的G-PCC解码器(800)的框图。解码器(800)可被配置为接收压缩的码流,并执行点云数据解压缩以解压缩该码流来生成已解码点云数据。在实施例中,解码器(800)可以包括算术解码模块(810)、逆残差量化模块(820)、八叉树解码模块(830)、LOD生成模块(840)、属性预测模块(850)和用于存储已重建属性值的存储器(860)。
如图8所示,可以在算术解码模块(810)处接收压缩的码流(801)。算术解码模块(810)被配置为对压缩的码流(801)进行解码,以获得点云的量化残差(如果生成)和占用码。八叉树解码模块(830)被配置为根据占用码确定点云中的点的已重建位置。LOD生成模块(840)被配置为基于已重建位置将点重新组织成不同的LOD,并确定基于LOD的顺序。逆残差量化模块(820)被配置为基于从算术解码模块(810)接收的量化残差来生成已重建残差。
属性预测模块(850)被配置为执行属性预测过程,以根据基于LOD的顺序确定点的属性预测。例如,可以基于存储在存储器(860)中的当前点的相邻点的已重建属性值来确定当前点的属性预测。属性预测模块(850)可将属性预测与各个已重建残差相组合以生成当前点的已重建属性。
在一个示例中,从属性预测模块(850)生成的已重建属性序列与从八叉树解码模块(830)生成的已重建位置一起,对应于从解码器(800)输出的已解码点云(802)。另外,已重建属性也存储到存储器(860)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)、解码器(400)、编码器(700)和/或解码器(800)可以用硬件、软件或其组合来实现。例如,编码器(300)、解码器(400)、编码器(700)和/或解码器(800)可以用诸如一个或多个集成电路(IC)的处理电路来实现,处理电路在使用或不使用诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)等软件的情况下操作。在另一示例中,编码器(300)、解码器(400)、编码器(700)和/或解码器(800)可以实现为软件或固件,包括存储在非挥发性(或非易失性)计算机可读存储介质中的指令。这些指令在由诸如一个或多个处理器执行处理电路时,使处理电路执行编码器(300)、解码器(400)、编码器(700)和/或解码器(800)的功能。
请注意,被配置为实施本文中所揭示的属性预测技术的属性预测模块(750)或(850)可以被包括在其它与图7和图8中所示的结构类似或不同的解码器或编码器中。另外,编码器(700)和解码器(800)可以被包括在同一装置中,或者在各种示例中被包括在单独的装置中。
根据本申请的一些方面,在一些相关示例(例如,TMC13模型的当前版本)中,当对几何结构进行量化并且合并重复位置时,在编码器侧应用重着色过程。重着色过程相对复杂。例如,重着色过程依赖于k维树(例如,三维树)数据结构搜索一个或多个最近邻。基于k维树的搜索可能是复杂并且耗时的。
在相关示例(例如,TMC13模型的一个版本)中,重着色算法的输入可包括点云中的原始点的原始位置、与原始位置相关联的属性以及已重建位置(例如,几何结构量化和重复位置合并的结果)。重着色算法可将与原始位置相关联的属性传递为与已重建位置相关联的属性,例如,具有最小化属性失真。与已重建位置相关联的属性可形成已重建点云中的已重建点。应当注意,重着色算法可传递任何合适的属性,诸如颜色、材料特性、纹理信息、强度属性、反射率属性、运动相关属性、形态属性以及各种其它属性。在示例中,重着色算法包括在以下说明书中详细描述的五个步骤。
在第一步骤中,接收点云中的点的原始位置、与原始位置相关联的属性以及已重建位置。在示例中,(Xi)i=0...N-1表示原始点云中的原始点的原始位置,N表示原始点云中的点的数目,
Figure BDA0003398608770000151
表示已重建位置,Nrec表示已重建位置的数目。如果存在重复点并且对其进行了合并,则Nrec<N,否则Nrec=N。
在第二步骤中,对于已重建点云中的每个位置
Figure BDA0003398608770000152
执行搜索过程(例如,基于k维树搜索),以确定原始点云中的最近邻
Figure BDA0003398608770000153
Figure BDA0003398608770000154
表示与原始点云中的最近邻相关联的属性值。
在第三步骤中,对于已重建点云中的每个位置
Figure BDA0003398608770000155
执行搜索过程(例如,基于k维树搜索),以确定原始点云中的一组原始位置,表示为
Figure BDA0003398608770000156
该组原始位置共享
Figure BDA0003398608770000157
作为它们在已重建点云中的最近邻。H(i)表示
Figure BDA0003398608770000158
中元素的数目,
Figure BDA0003398608770000159
表示
Figure BDA00033986087700001510
元素之一。应当注意,
Figure BDA00033986087700001511
可为空或者可具有一个或多个元素。
在第四步骤中,对
Figure BDA00033986087700001512
进行检查。当
Figure BDA00033986087700001513
为空时,将与位置
Figure BDA00033986087700001514
相关联的属性值
Figure BDA00033986087700001515
设置为
Figure BDA00033986087700001516
在第五步骤中,如果
Figure BDA0003398608770000161
不为空,则可基于例如(等式1)计算与位置
Figure BDA0003398608770000162
相关联的属性值
Figure BDA0003398608770000163
Figure BDA0003398608770000164
在相关示例中,使用搜索,诸如k维树(例如,三维树)搜索,搜索一个或多个最近邻。基于k维树的搜索可能是复杂并且耗时的。本申请提供重着色技术以降低复杂性并且提高处理速度。例如,可基于在几何结构量化和重复点合并过程中存储的信息,确定最近邻的搜索。
本申请所提出的方法可单独使用或者以任何顺序组合使用。此外,方法(或实施例)、编码器和解码器中的每一者可由处理电路(例如,一个或多个处理器或者一个或多个集成电路)实施。在一个示例中,该一个或多个处理器执行存储在非易失性计算机可读介质中的程序。
根据本申请的一些方面,可单独压缩点云的几何信息和相关联属性,诸如颜色、反射率等(例如,在测试模型13(TMC13)模型中)。在一些实施例中,可根据量化和重复点合并过程处理点云的几何信息,其包括点云中的点的3D坐标。在一些示例中,量化和重复点合并过程可基于八叉树划分,并且可通过八叉树划分用分区的占用信息对几何信息进行编码。可基于已重建几何结构,使用例如预测、提升和区域自适应分层变换技术压缩属性。例如,可对已编码几何信息进行去量化,以重建点云的几何信息,诸如已重建位置。原始点的属性被传递到已重建位置,然后被编码。
根据本申请的一些方面,可以使用八叉树划分来划分三维空间。八叉树是二维空间中四叉树的三维模拟。八叉树划分技术是指将三维空间递归细分为八个八分体(octant)的划分技术,八叉树结构是指表示这些分区的树结构。在一个示例中,八叉树结构中的每个节点对应于三维空间,并且该节点可以是端节点(不再划分,在一些示例中也称为叶节点)或具有进一步划分的节点。节点处的划分可将节点所表示的三维空间划分成八个八分体。在一些示例中,对应于特定节点的分区的节点可以称为该特定节点的子节点。
图9示出了根据本申请一些实施例的基于八叉树划分技术的3D立方体(900)(对应于节点)的划分图示。该划分可以将3D立方体(900)分割成8个更小的大小相等的立方体0-7,如图9所示。
八叉树划分技术(例如,在TMC13中)可以递归地将原始3D空间分割成较小的单元,并且可以对每个子空间的占用信息进行编码以表示几何位置。
在一些实施例中(例如,在TMC13中),使用八叉树几何编解码器。八叉树几何编解码器可以进行几何编码。在一些示例中,在立方体框上执行几何编码。例如,立方体框可以是由两点(0,0,0)和(2M-1,2M-1,2M-1)定义的轴对准的边界框B,其中,2M-1定义了边界框B的尺寸,M可以在码流中指定。
然后,通过对立方体框进行递归细分来构建八叉树结构。例如,将由两个点(0,0,0)和(2M-1,2M-1,2M-1)定义的立方体框划分为8个子立方框,生成8位代码,称为占用码。占用码中的每个比特位都与子立方体框相关联,比特位的值用于指示相关联的子立方体框是否包含点云的任意点。例如,一个比特位的值1表示与该比特位相关联的子立方体框包含点云的一个或多个点;一个比特位的值0表示与该比特位相关联的子立方体框不包含点云的点。
此外,对于空的子立方体框(例如,与子立方体框相关联的比特位的值为0),不再对该子立方体框进行分割。当子立方体框具有点云的一个或多个点时(例如,与子立方体框相关联的比特位的值为1),将子立方体框进一步划分为8个更小的子立方体框,可以为子立方体框生成占用码,以指示更小的子立方体框的占用。在一些示例中,细分操作可以在非空的子立方体框上重复执行,直到子立方体框的尺寸等于预定阈值,例如尺寸为1。在一些示例中,尺寸为1的子立方体框称为体素,尺寸大于体素的子立方体框可以称为非-体素。
图10示出了根据本申请一些实施例的八叉树划分(1010)和与八叉树划分(1010)相对应的八叉树结构(1020)的示例。图10示出了八叉树划分(1010)中的两级划分。八叉树结构(1020)包括与八叉树划分(1010)的立方体框对应的节点(N0)。在第一层级,根据图9所示的编号技术,将立方体框划分成编号为0至7的8个子立方体框。节点N0的划分的占用码为二进制的“10000001”,其表示节点N0-0表示的第一个子立方体框和节点N0-7表示的第八个子立方体框包括点云中的点,其它子立方体框为空。
然后,在第二层级划分中,将第一子立方体框(由节点N0-0表示)和第八子立方体框(由节点N0-7表示)进一步分别细分为八个八分体。例如,根据图9所示的编号技术,将第一子立方体框(由节点N0-0表示)划分成编号为0至7的8个更小的子立方体框。节点N0-0的划分的占用码为二进制“00011000”,其表示第四个更小的子立方体框(由节点N0-0-3表示)和第五个更小的子立方体框(由节点N0-0-4表示)包括点云中的点,其它更小的子立方体框为空。在第二级,第七子立方体框(由节点N0-7表示)以类似的方式分割成8个更小的子立方体框,如图10所示。
在图10的示例中,与非空立方体空间的节点(例如,立方体框、子立方体框、更小的子立方体框等等)对应的节点着色为灰色,称为阴影节点。
在一些实施例中,对于单位大小立方体框的体素,可将该单位大小立方体框中的一个或多个点量化到例如该单位大小立方体框的中心位置。当单位大小立方体框中存在多个点时,这些点被合并到该单位大小立方体框的中心位置。体素的中心位置可形成已重建点云中的已重建点的已重建位置。
根据本申请的一些方面,可使用合适的数据结构(诸如查找表、列表等),将体素中的原始点与该体素的已重建位置(例如,中心位置)相关联。例如,查找表中的条目可将体素的索引与该体素中的原始点的索引相关联。可存储该数据结构。因此,对于已重建点云中的每个位置(为体素的中心点),可基于所述数据结构确定体素中被合并到中心位置的原始点。
根据本申请的一个方面,点云的几何结构通过标量量化进行量化,在一些示例中标量量化是几何失真的唯一来源。在一些实施例中,当使用八叉树划分进行几何结构量化时,体素是单位大小立方体框,每个体素包括点云的一个或多个原始点,并且该一个或多个原始点被量化为该体素的中心点。因此,该体素中的一个或多个原始点与最近邻共享相同的体素的(在已重建点云中的)中心点,已重建点云中每个位置的集合
Figure BDA0003398608770000181
不为空。因此,不需要重着色算法中的第四步骤。
图11示出了一维(1D)图解以图示推导技术,该推导技术可在三维(3D)使用,以确定在几何结构量化期间共享已重建位置的点的集合
Figure BDA0003398608770000182
菱形点1-8是原始点,圆形黑点R1-R3是已重建点(在一些示例中也称为量化点)的已重建位置。
在示例中,量化步长是q,因此范围
Figure BDA0003398608770000183
中的所有点均可被量化到位置nq,其中,n=0,±1,±2,...。例如,原始点1-3在[-3q/2,-q/2)的范围内并且被量化为已重建位置R1,原始点4-5在[-q/2,q/2)的范围内并且被量化为已重建位置R2,原始点6-8在[q/2,3q/2)的范围内并且被量化为已重建位置R3。因此,在已重建点云中原始点的最近邻是已重建位置。换句话说,每个已重建位置的集合
Figure BDA0003398608770000184
是被量化为已重建位置的原始点。因此,在一些实施例中,使用合适的数据结构存储与已重建位置相关联的集合
Figure BDA0003398608770000185
然后,基于该数据结构,可快速为已重建位置确定集合
Figure BDA0003398608770000186
而无需额外的k维树搜索。
基于存储在合适的数据结构中的量化结果,可简化重着色算法。例如,基于被量化为量化位置的原始位置处的属性值,分配每个量化位置的属性值。具体地,在一些示例中,重着色算法可包括在以下说明书中详细描述的3个步骤。
在第一步骤中,接收点云中的点的原始位置、与原始位置相关联的属性以及已重建位置。在示例中,(Xi)i=0...N-1表示原始点云中的点的原始位置,N表示原始点云中的点的数目,
Figure BDA0003398608770000187
表示已重建点云的已重建位置,Nrec表示已重建点云中的已重建位置的数目。如果存在重复点并且对其进行了合并,则Nrec<N,否则Nrec=N。
在第二步骤中,对于已重建点云中的每个已重建位置
Figure BDA0003398608770000188
可基于已重建位置访问存储与每个已重建位置相关联的一组原始位置的数据结构,以确定该组原始位置
Figure BDA0003398608770000191
该组中的原始位置被量化以及去量化为
Figure BDA0003398608770000192
H(i)表示
Figure BDA0003398608770000193
中元素的数目,Xi(h)表示
Figure BDA0003398608770000194
中的元素之一。
Figure BDA0003398608770000195
可在几何结构量化过程期间得到。
在第三步骤中,可从与集合
Figure BDA0003398608770000196
中的原始位置相关联的属性值中得到与已重建位置
Figure BDA0003398608770000197
相关联的属性值
Figure BDA0003398608770000198
可使用各种技术计算属性值
Figure BDA0003398608770000199
在实施例中,计算多个属性值的平均值,作为已重建位置的属性值
Figure BDA00033986087700001910
在示例中,ai(h)表示与Xi(h)相关联的属性值,与已重建点
Figure BDA00033986087700001911
相关联的属性值
Figure BDA00033986087700001912
可使用(等式2)计算:
Figure BDA00033986087700001913
在另一实施例中,通过多个属性的加权平均计算
Figure BDA00033986087700001914
诸如使用(等式3):
Figure BDA00033986087700001915
其中,
Figure BDA00033986087700001916
wi(h)≥0并且表示对应位置处的属性权重,其可与原始位置Xi(h)和已重建位置
Figure BDA00033986087700001917
之间的距离成反比。原始位置Xi(h)和已重建位置
Figure BDA00033986087700001918
之间的距离可通过任何合适的距离度量评估。在示例中,该距离是空间距离,诸如欧几里得距离。
在另一实施例中,根据
Figure BDA00033986087700001919
中距离最近的原始位置的属性值,将
Figure BDA00033986087700001920
分配给已重建位置
Figure BDA00033986087700001921
当多个原始位置与已重建位置
Figure BDA00033986087700001922
具有相同的最近距离时,可将所述多个原始位置的属性值的中值属性值或平均属性值分配给
Figure BDA00033986087700001923
原始位置Xi(h)和已重建位置
Figure BDA00033986087700001924
之间的距离可通过任何其它的距离度量评估。在示例中,该距离是空间距离,诸如欧几里得距离。
图12示出了概述根据本申请实施例的方法(1200)的流程图。方法(1200)可在点云的编解码过程期间使用。在各种实施例中,方法(1200)由处理电路执行,诸如终端装置(110)中的处理电路,执行编码器(203)和/或解码器(201)的功能的处理电路,执行编码器(300)、解码器(400)、编码器(700)和/或解码器(800)的功能的处理电路等。在一些实施例中,方法(1200)以软件指令实施,从而当处理电路执行这些软件指令时,处理电路执行方法(1200)。该方法开始于(S1201)并且进行到(S1210)。
在(S1210)处,确定点云中与已重建位置相关联的一个或多个原始点。所述一个或多个原始点的位置是根据几何结构量化结果重建到所述已重建位置。
在一些示例中,可执行八叉树划分,以对几何信息进行编解码。八叉树划分可将点云的空间划分为体素。所述一个或多个原始点在一个体素中,并且与用于表示该体素的已重建位置相关联。可将所述一个或多个原始点的几何信息重建(例如,量化和去量化)到所述已重建位置。在实施例中,存储将所述一个或多个原始点与所述已重建位置相关联的数据结构。可基于所述已重建位置访问该数据结构,以检索与所述已重建位置相关联的一个或多个原始点。
在(S1220)处,基于所述一个或多个原始点的属性信息,确定所述已重建位置的属性值。
在实施例中,当多个原始点与所述已重建位置相关联时,计算所述多个原始点的属性值的平均值,将其作为所述已重建位置的所确定的属性值。
在一些示例中,可基于所述多个原始点中的原始点与所述已重建位置之间距离的倒数,对该原始点的属性值进行加权。
在另一实施例中,计算所述多个原始点的属性值的加权平均值,作为所述已重建位置的所确定的属性值。在示例中,基于所述多个原始点中的原始点与已重建位置之间距离的倒数,对该原始点的属性值进行加权。
在另一实施例中,响应于多个原始点与所述已重建位置相关联,将所述多个原始点中的距离最近点的特定属性值分配作为所述已重建位置的所确定的属性值。在一示例中,响应于存在与所述已重建位置具有相同最短距离的多个距离最近点,选择所述多个距离最近点的属性值中的中值属性值。在另一示例中,响应于存在与所述已重建位置具有相同最短距离的多个距离最近点,计算所述多个距离最近点的属性值的平均属性值。
在(S1230)处,通过具有所确定的属性值的已重建位置对点云的纹理进行编码。在示例中,已重建位置的属性值被压缩并且作为点云的纹理信息被包括在点云的已编码码流中。然后,方法进行到(S1299)并且终止。
上文所描述的技术可使用计算机可读指令实施为计算机软件且以物理方式存储在一个或多个计算机可读存储介质中。举例来说,图13示出适于实施所公开主题的某些实施例的计算机系统(1300)。
所述计算机软件可使用任何合适的机器代码或计算机语言来编码,所述机器代码或计算机语言可经受汇编、编译、链接或类似机制以创建包括指令的代码,所述指令可直接或通过解译、微码执行等而由一个或多个计算机中央处理单元(CPU)、图形处理单元(GPU)等执行。
可在各种类型的计算机或计算机组件上执行所述指令,所述计算机或计算机组件包括例如个人计算机、平板电脑、服务器、智能电话、游戏装置、物联网装置等。
图13中所示的用于计算机系统(1300)的组件在本质上是示范性的,并非旨在暗示关于实施本申请实施例的计算机软件的使用或功能的范围的任何限制。也不应将组件的配置解释为对计算机系统(1300)的示范性实施例中所示的组件中的任一个组件或组件组合有任何依赖或需求。
计算机系统(1300)可包括某些人机接口输入装置。此类人机接口输入装置可响应于一个或多个人类用户通过例如触觉输入(例如:按键、滑动、数据手套移动)、音频输入(例如:语音、拍击)、视觉输入(例如:手势)、嗅觉输入(未描绘)进行的输入。人机接口装置还可用于捕获未必与人的有意识输入直接相关的某些媒体,例如音频(例如:话语、音乐、环境声)、图像(例如:扫描图像、从静态图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)。
输入人机接口装置可包括以下一个或多个(每种仅描绘一个):键盘(1301)、鼠标(1302)、轨迹垫(1303)、触摸屏(1310)、数据手套(未示出)、操纵杆(1305)、麦克风(1306)、扫描仪(1307)、相机(1308)。
计算机系统(1300)还可包括某些人机接口输出装置。此类人机接口输出装置可通过例如触觉输出、声音、光和气味/味道刺激一个或多个人类用户的感觉。此类人机接口输出装置可包括触觉输出装置(例如,触摸屏(1310)、数据手套(未示出)或操纵杆(1305)的触觉反馈,但还可存在不充当输入装置的触觉反馈装置)、音频输出装置(例如:扬声器(1309)、头戴式耳机(未描绘))、视觉输出装置(例如,屏幕(1310),包括阴极射线管(CRT)屏幕、液晶显示(LCD)屏幕、等离子体屏幕、有机发光二极管(OLED)屏幕,各自具有或不具有触摸屏输入能力,各自具有或不具有触觉反馈能力--其中的一些能够通过例如立体平画输出的方式输出二维视觉输出或大于三维的输出;虚拟现实眼镜(未描绘)、全息显示器和烟雾箱(未描绘)),以及打印机(未描绘)。
计算机系统(1300)还可包括人类可访问的存储装置和存储装置的相关联介质,例如,光学介质,包括具有CD/DVD等介质(1321)的CD/DVD ROM/RW(1320)、拇指驱动器(1322)、可移动硬盘驱动器或固态驱动器(1323)、磁带和软盘(未描绘)等旧版磁性媒体、基于ROM/专用集成电路(ASIC)/可编程逻辑设备(PLD)的专用装置,例如,安全保护装置(未描绘),等等。
所属领域的技术人员还应理解,结合当前公开的主题使用的术语“计算机可读介质”并未涵盖传输介质、载波或其它瞬时信号。
计算机系统(1300)还可包括到一个或多个通信网络的接口。网络可例如是无线的、有线的、光学的。网络还可以是本地的、广域的、城域的、车载和工业的、实时的、容忍延迟的等等。网络的实例包括例如以太网、无线LAN的局域网、包括全球移动通信系统(GSM)、第三代(3G)、第四代(4G)、第五代(5G)、长期演进(LTE)等的蜂窝网络、包括有线TV、卫星TV和地面广播TV的TV有线或无线广域数字网络、包括控制器局域网总线(CANBus)的车载网络和工业网络等。某些网络通常需要附接到某些通用数据端口或外围总线(1349)(例如,计算机系统(1300)的通用串行总线(USB)端口)的外部网络接口适配器;其它网络通常通过附接到如下文所描述的系统总线而集成到计算机系统(1300)的核心中(例如,通过以太网接口集成到PC计算机系统中,或通过蜂窝网络接口集成到智能电话计算机系统中)。通过使用这些网络中的任一网络,计算机系统(1300)可与其它实体通信。此类通信可以是仅单向接收(例如,广播TV)、仅单向发送(例如,连到某些CANBus装置的CANBus)或是双向的,例如,使用局域数字网络或广域数字网络连接到其它计算机系统。可在如上文所描述的那些网络和网络接口中的每一个上使用某些协议和协议栈。
上述人机接口装置、人类可访问存储装置和网络接口可附接到计算机系统(1300)的核心(1340)。
核心(1340)可包括一个或多个中央处理单元(CPU)(1341)、图形处理单元(GPU)(1342)、现场可编程门区域(Field Programmable Gate Areas,FPGA)形式的专用可编程处理单元(1343)、用于某些任务的硬件加速器(1344)等等。这些装置连同只读存储器(read-only memory,ROM)(1345)、随机存取存储器(1346)、例如内部非用户可访问的硬盘驱动器、固态驱动器(SSD)等内部大容量存储装置(1347)可通过系统总线(1348)连接。在一些计算机系统中,系统总线(1348)可通过一个或多个物理插头形式访问以实现通过额外CPU、GPU等来扩展。外围装置可直接或通过外围总线(1349)附接到核心的系统总线(1348)。用于外围总线的架构包括外围设备互连(PCI)、USB等等。
CPU(1341)、GPU(1342)、FPGA(1343)和加速器(1344)可执行某些指令,所述指令组合起来可构成上述计算机代码。计算机代码可存储在ROM(1345)或RAM(1346)中。过渡数据也可存储在RAM(1346)中,而永久性数据可例如存储在内部大容量存储装置(1347)中。可通过使用高速缓冲存储器来实现对任一存储器装置的快速存储和检索,所述高速缓冲存储器可与一个或多个CPU(1341)、GPU(1342)、大容量存储装置(1347)、ROM(1345)、RAM(1346)等紧密关联。
计算机可读介质上可具有用于执行各种计算机实施的操作的计算机代码。所述介质和计算机代码可以是专为本申请的目的设计和构建的介质和计算机代码,或可属于计算机软件领域中的技术人员众所周知且可用的种类。
举例来说但不作为限制,具有架构(1300)且尤其是核心(1340)的计算机系统可提供因处理器(包括CPU、GPU、FPGA、加速器等)执行以一个或多个有形计算机可读介质体现的软件而产生的功能。此类计算机可读介质可以是与上文所介绍的用户可访问大容量存储装置以及核心(1340)的非暂时性质的某些存储装置(例如,核心内部大容量存储装置(1347)或ROM(1345))相关联的介质。实施本申请的各种实施例的软件可存储在此类装置中且由核心(1340)执行。根据特定需求,计算机可读介质可包括一个或多个存储器装置或芯片。软件可使核心(1340)且具体地说使其中的处理器(包括CPU、GPU、FPGA等等)执行本文中所描述的特定过程或特定过程的特定部分,包括限定存储在RAM(1346)中的数据结构以及根据由软件限定的过程修改此类数据结构。另外或作为替代方案,计算机系统可提供由硬连线的或以其它方式体现于电路(例如:加速器(1344))中的逻辑所产生的功能,所述逻辑可代替或连同软件一起操作以执行本文描述的特定过程或特定过程的特定部分。适当时,对软件的引用可涵盖逻辑,且反之亦然。适当时,对计算机可读介质的引用可涵盖存储用于执行的软件的电路(例如,集成电路(IC))、体现用于执行的逻辑的电路或这两种电路。本申请涵盖硬件与软件的任何合适的组合。
尽管本申请描述了若干示范性实施例,但在本申请的范围内,可以有各种改动、排列组合方式以及各种替代等同物。因此,应该理解,在申请的精神和范围内,本领域技术人员能够设计出各种虽未在本文明确示出或描述、但可以体现本申请的原理的系统和方法。

Claims (20)

1.一种点云编解码方法,其特征在于,包括:
处理器确定点云中与已重建位置相关联的一个或多个原始点,所述一个或多个原始点的位置是根据几何结构量化结果重建到所述已重建位置;
所述处理器基于所述一个或多个原始点的属性信息,确定所述已重建位置的属性值;以及
所述处理器通过具有所确定的属性值的所述已重建位置,对所述点云的纹理进行编码。
2.根据权利要求1所述的方法,其特征在于,还包括:
存储数据结构,所述数据结构根据所述几何结构量化结果,将所述一个或多个原始点与所述已重建位置相关联。
3.根据权利要求2所述的方法,其特征在于,还包括:
所述处理器执行八叉树划分,将所述点云的空间划分为体素;以及
所述处理器将位于一个体素中的所述一个或多个原始点与用于表示所述体素的所述已重建位置相关联。
4.根据权利要求2所述的方法,其特征在于,还包括:
基于所述已重建位置访问所述数据结构,以检索与所述已重建位置相关联的所述一个或多个原始点。
5.根据权利要求1所述的方法,其特征在于,还包括:
响应于多个原始点与所述已重建位置相关联,所述处理器计算所述多个原始点的属性值的平均值,将其作为所述已重建位置的所确定的属性值。
6.根据权利要求5所述的方法,其特征在于,还包括:
所述处理器计算所述多个原始点的所述属性值的加权平均值,将其作为所述已重建位置的所确定的属性值。
7.根据权利要求6所述的方法,其特征在于,还包括:
所述处理器基于所述多个原始点中的原始点与所述已重建位置之间距离的倒数,对所述多个原始点中的所述原始点的属性值进行加权。
8.根据权利要求1所述的方法,其特征在于,还包括:
响应于多个原始点与所述已重建位置相关联,所述处理器将所述多个原始点中的距离最近点的特定属性值分配作为所述已重建位置的所确定的属性值。
9.根据权利要求8所述的方法,其特征在于,还包括:
响应于所述多个原始点中的多个距离最近点与所述已重建位置之间具有相同的最短距离,所述处理器选择所述多个距离最近点的属性值中的中值属性值。
10.根据权利要求8所述的方法,其特征在于,还包括:
响应于所述多个原始点中的多个距离最近点与所述已重建位置之间具有相同的最短距离,所述处理器计算所述多个距离最近点的属性值的平均属性值。
11.一种点云编解码装置,其特征在于,包括:
处理电路,被配置为:
确定点云中与已重建位置相关联的一个或多个原始点,所述一个或多个原始点的位置是根据几何结构量化结果重建到所述已重建位置;
基于所述一个或多个原始点的属性信息,确定所述已重建位置的属性值;以及
通过具有所确定的属性值的所述已重建位置,对所述点云的纹理进行编码。
12.根据权利要求11所述的装置,其特征在于,进一步包括:
存储器,被配置为存储数据结构,所述数据结构根据所述几何结构量化结果,将所述一个或多个原始点与所述已重建位置相关联。
13.根据权利要求12所述的装置,其特征在于,所述处理电路被配置为:
执行八叉树划分,将所述点云的空间划分为体素;以及
将位于一个体素中的所述一个或多个原始点与用于表示所述体素的所述已重建位置相关联。
14.根据权利要求12所述的装置,其特征在于,所述处理电路被配置为:
基于所述已重建位置访问所述数据结构,以检索与所述已重建位置相关联的所述一个或多个原始点。
15.根据权利要求11所述的装置,其特征在于,所述处理电路被配置为:
响应于多个原始点与所述已重建位置相关联,计算所述多个原始点的属性值的平均值,将其作为所述已重建位置的所确定的属性值。
16.根据权利要求15所述的装置,其特征在于,所述处理电路被配置为:
计算所述多个原始点的所述属性值的加权平均值,将其作为所述已重建位置的所确定的属性值。
17.根据权利要求16所述的装置,其特征在于,所述处理电路被配置为:
基于所述多个原始点中的原始点与所述已重建位置之间距离的倒数,对所述多个原始点中的所述原始点的属性值进行加权。
18.根据权利要求11所述的装置,其特征在于,所述处理电路被配置为:
响应于多个原始点与所述已重建位置相关联,将所述多个原始点中的距离最近点的特定属性值分配作为所述已重建位置的所确定的属性值。
19.根据权利要求18所述的装置,其特征在于,所述处理电路被配置为:
响应于所述多个原始点中的多个距离最近点与所述已重建位置之间具有相同的最短距离,选择所述多个距离最近点的属性值中的中值属性值。
20.根据权利要求18所述的装置,其特征在于,所述处理电路被配置为:
响应于所述多个原始点中的多个距离最近点与所述已重建位置之间具有相同的最短距离,计算所述多个距离最近点的属性值的平均属性值。
CN202080043324.7A 2019-12-02 2020-11-12 点云编解码方法和装置 Pending CN113994383A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962942536P 2019-12-02 2019-12-02
US62/942,536 2019-12-02
US17/064,029 2020-10-06
US17/064,029 US11417029B2 (en) 2019-12-02 2020-10-06 Method and apparatus for point cloud coding
PCT/US2020/060218 WO2021113053A1 (en) 2019-12-02 2020-11-12 Method and apparatus for point cloud coding

Publications (1)

Publication Number Publication Date
CN113994383A true CN113994383A (zh) 2022-01-28

Family

ID=76091045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080043324.7A Pending CN113994383A (zh) 2019-12-02 2020-11-12 点云编解码方法和装置

Country Status (9)

Country Link
US (2) US11417029B2 (zh)
EP (1) EP3924939A4 (zh)
JP (1) JP7250952B2 (zh)
KR (1) KR102584867B1 (zh)
CN (1) CN113994383A (zh)
AU (1) AU2020398565B2 (zh)
CA (1) CA3137123A1 (zh)
SG (1) SG11202111079UA (zh)
WO (1) WO2021113053A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049750A (zh) * 2022-05-31 2022-09-13 九识智行(北京)科技有限公司 基于八叉树的体素地图生成方法、装置、存储介质及设备

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10861196B2 (en) 2017-09-14 2020-12-08 Apple Inc. Point cloud compression
US11818401B2 (en) 2017-09-14 2023-11-14 Apple Inc. Point cloud geometry compression using octrees and binary arithmetic encoding with adaptive look-up tables
US10897269B2 (en) 2017-09-14 2021-01-19 Apple Inc. Hierarchical point cloud compression
US11113845B2 (en) 2017-09-18 2021-09-07 Apple Inc. Point cloud compression using non-cubic projections and masks
US10909725B2 (en) 2017-09-18 2021-02-02 Apple Inc. Point cloud compression
US10607373B2 (en) 2017-11-22 2020-03-31 Apple Inc. Point cloud compression with closed-loop color conversion
US10909727B2 (en) 2018-04-10 2021-02-02 Apple Inc. Hierarchical point cloud compression with smoothing
US10939129B2 (en) 2018-04-10 2021-03-02 Apple Inc. Point cloud compression
US11010928B2 (en) 2018-04-10 2021-05-18 Apple Inc. Adaptive distance based point cloud compression
US10909726B2 (en) 2018-04-10 2021-02-02 Apple Inc. Point cloud compression
US11017566B1 (en) 2018-07-02 2021-05-25 Apple Inc. Point cloud compression with adaptive filtering
US11202098B2 (en) 2018-07-05 2021-12-14 Apple Inc. Point cloud compression with multi-resolution video encoding
US11012713B2 (en) 2018-07-12 2021-05-18 Apple Inc. Bit stream structure for compressed point cloud data
US11367224B2 (en) 2018-10-02 2022-06-21 Apple Inc. Occupancy map block-to-patch information compression
US11057564B2 (en) 2019-03-28 2021-07-06 Apple Inc. Multiple layer flexure for supporting a moving image sensor
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
US11711544B2 (en) 2019-07-02 2023-07-25 Apple Inc. Point cloud compression with supplemental information messages
US11627314B2 (en) 2019-09-27 2023-04-11 Apple Inc. Video-based point cloud compression with non-normative smoothing
US11562507B2 (en) 2019-09-27 2023-01-24 Apple Inc. Point cloud compression using video encoding with time consistent patches
US11538196B2 (en) 2019-10-02 2022-12-27 Apple Inc. Predictive coding for point cloud compression
US11895307B2 (en) 2019-10-04 2024-02-06 Apple Inc. Block-based predictive coding for point cloud compression
US11798196B2 (en) 2020-01-08 2023-10-24 Apple Inc. Video-based point cloud compression with predicted patches
US11475605B2 (en) * 2020-01-09 2022-10-18 Apple Inc. Geometry encoding of duplicate points
US11399192B2 (en) * 2020-02-10 2022-07-26 Tencent America LLC Spatial scalable coding for point cloud coding
US11615557B2 (en) 2020-06-24 2023-03-28 Apple Inc. Point cloud compression using octrees with slicing
US11620768B2 (en) 2020-06-24 2023-04-04 Apple Inc. Point cloud geometry compression using octrees with multiple scan orders
US11816868B2 (en) * 2020-08-14 2023-11-14 Tencent America LLC Coding of multiple-component attributes for point cloud coding
US20220210480A1 (en) * 2020-12-29 2022-06-30 Qualcomm Incorporated Hybrid-tree coding for inter and intra prediction for geometry coding
US11948338B1 (en) 2021-03-29 2024-04-02 Apple Inc. 3D volumetric content encoding using 2D videos and simplified 3D meshes
US20220394295A1 (en) * 2021-06-04 2022-12-08 Tencent America LLC Fast recolor for video based point cloud coding

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014005181A1 (de) * 2014-04-03 2015-10-08 Astrium Gmbh Positions- und Lagebestimmung von Objekten
US9699461B2 (en) 2015-08-14 2017-07-04 Blackberry Limited Scaling in perceptual image and video coding
US10694210B2 (en) * 2016-05-28 2020-06-23 Microsoft Technology Licensing, Llc Scalable point cloud compression with transform, and corresponding decompression
US11297346B2 (en) * 2016-05-28 2022-04-05 Microsoft Technology Licensing, Llc Motion-compensated compression of dynamic voxelized point clouds
EP3608876A1 (en) 2016-09-13 2020-02-12 Dassault Systèmes Compressing a signal that represents a physical attribute
EP3407607A1 (en) 2017-05-24 2018-11-28 Thomson Licensing Method and device for encoding and reconstructing a point cloud
US11113845B2 (en) * 2017-09-18 2021-09-07 Apple Inc. Point cloud compression using non-cubic projections and masks
US10909725B2 (en) * 2017-09-18 2021-02-02 Apple Inc. Point cloud compression
US10699444B2 (en) * 2017-11-22 2020-06-30 Apple Inc Point cloud occupancy map compression
CN108322742B (zh) 2018-02-11 2019-08-16 北京大学深圳研究生院 一种基于帧内预测的点云属性压缩方法
US10909726B2 (en) * 2018-04-10 2021-02-02 Apple Inc. Point cloud compression
US11017566B1 (en) * 2018-07-02 2021-05-25 Apple Inc. Point cloud compression with adaptive filtering
US11202098B2 (en) * 2018-07-05 2021-12-14 Apple Inc. Point cloud compression with multi-resolution video encoding
US11012713B2 (en) * 2018-07-12 2021-05-18 Apple Inc. Bit stream structure for compressed point cloud data
US11430155B2 (en) * 2018-10-05 2022-08-30 Apple Inc. Quantized depths for projection point cloud compression
CN110349230A (zh) * 2019-07-15 2019-10-18 北京大学深圳研究生院 一种基于深度自编码器的点云几何压缩的方法
KR102295825B1 (ko) * 2019-10-03 2021-08-31 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049750A (zh) * 2022-05-31 2022-09-13 九识智行(北京)科技有限公司 基于八叉树的体素地图生成方法、装置、存储介质及设备

Also Published As

Publication number Publication date
JP2022528528A (ja) 2022-06-14
SG11202111079UA (en) 2021-11-29
AU2020398565A1 (en) 2021-10-28
KR102584867B1 (ko) 2023-10-06
KR20210141675A (ko) 2021-11-23
AU2020398565B2 (en) 2023-03-30
EP3924939A1 (en) 2021-12-22
US11783512B2 (en) 2023-10-10
WO2021113053A1 (en) 2021-06-10
US20210166436A1 (en) 2021-06-03
JP7250952B2 (ja) 2023-04-03
EP3924939A4 (en) 2022-04-27
US11417029B2 (en) 2022-08-16
CA3137123A1 (en) 2021-06-10
US20220366613A1 (en) 2022-11-17

Similar Documents

Publication Publication Date Title
KR102584867B1 (ko) 포인트 클라우드 코딩을 위한 방법 및 장치
US11582469B2 (en) Method and apparatus for point cloud coding
JP7478816B2 (ja) ポイントクラウドコーディングのための方法及び装置
CN113519163A (zh) 点云压缩的方法和装置
CN111641836A (zh) 点云压缩的方法、装置、计算机设备和存储介质
JP7325534B2 (ja) 点群符号化のための方法および装置
CN111641834B (zh) 点云编码的方法和装置、计算机设备和存储介质
CN112399165B (zh) 解码方法及装置以及计算机设备和存储介质
CN112019842A (zh) 点云压缩的方法、装置、计算机设备和存储介质
CN112019845B (zh) 对点云进行编码的方法、装置以及存储介质
CN113615201B (zh) 点云压缩和解压缩的方法和装置
RU2778377C1 (ru) Способ и устройство для кодирования облака точек
RU2799041C1 (ru) Способ и устройство для кодирования облака точек
JP7497443B2 (ja) 点群コーディングのための方法、装置、およびコンピュータプログラム
US11948336B2 (en) Method and apparatus for point cloud coding
US20220232253A1 (en) Method and apparatus for point cloud coding
KR20230017301A (ko) 포인트 클라우드 코딩을 위한 거리 기반 가중 평균을 계산하는 방법 및 장치

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40065081

Country of ref document: HK