CN114373023A - 一种基于点的点云几何有损压缩重建装置与方法 - Google Patents
一种基于点的点云几何有损压缩重建装置与方法 Download PDFInfo
- Publication number
- CN114373023A CN114373023A CN202210031926.1A CN202210031926A CN114373023A CN 114373023 A CN114373023 A CN 114373023A CN 202210031926 A CN202210031926 A CN 202210031926A CN 114373023 A CN114373023 A CN 114373023A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- module
- features
- feature
- dimension
- 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.)
- Withdrawn
Links
- 230000006835 compression Effects 0.000 title claims abstract description 49
- 238000007906 compression Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000011084 recovery Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000014509 gene expression Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 26
- 238000012549 training Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000013139 quantization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于点的点云几何有损压缩重建方法,属于点云压缩技术研究领域。该方法包括编码和解码两个步骤,其中编码包括下采样、特征提取、特征增强和熵编码四个步骤,在完成局部特征提取后首先进行特征增强,然后再进行特征合成与特征压缩。解码先后包括特征恢复、特征增强、坐标恢复和坐标细化四个步骤,在坐标恢复前同样进行了局部坐标增强,并且在重建过程中细化点云。本发明所提出的方法能够将大规模的点云进行压缩,从而以较少的数据量进行传输,并对点云进行重建,恢复点云的坐标。
Description
技术领域
本发明涉及点云几何压缩技术领域,具体地说,涉及一种基于点的点云几何有损压缩重建装置与方法。
背景技术
近年来,三维点云已成为工业监控、自动驾驶、增强现实、虚拟现实等领域渲染3D对象和场景的一种常用格式。Moving Picture Experts Group(MPEG)分别提出了两种使用传统方法的点云压缩标准,即Video-based Point Cloud Compression(V-PCC)和Geometry-based Point Cloud Compression(G-PCC)。V-PCC利用3D到2D的投影,将2D视频编解码器应用于编码投影面;而G-PCC依赖八叉树或三角形表面等3D模型,用于直接对3D内容进行编码。
随着人工智能技术的不断发展,结合深度神经网络的点云几何压缩方法成为点云压缩领域的一个热门研究方向。目前基于深度学习的方法主要分为基于体素的学习、基于八叉树的学习和基于点的学习三类。其中,基于体素的学习方法将以坐标格式检测到的原始数据转换为体素来处理,这种方法会浪费大量的时间和内存,模型的分辨率也受到内存的限制。基于八叉树的学习方法通过将体素模型转换为具有不同叶节点大小的不平衡八叉树,来减少计算量和内存需求,但是在数据格式变换时仍然会有很多资源浪费。而基于点的学习方法可以直接处理点云,不需要任何体素化或投影,并且不会造成明显的信息丢失,因此越来越受欢迎。
现阶段,基于点的学习方法主要使用自动编码器的结构。在编码端对原始点云提取局部特征后聚合成全局特征,并压缩成码流;解码端对压缩后的码流解码后将全局特征恢复成局部特征,然后进行坐标重建。
由此可知,在编码端提取关键特征的结构好坏会直接影响压缩时的比特率,以及后续解码端恢复的点云质量。另外,在解码端恢复点云特征的结构也会影响重建点云的质量。现在主流的方法是在解码端直接使用反卷积层或简单的线性变换的方法来恢复点云坐标,但是这样无法得到较好的重建效果,也会产生较高的压缩比特率。
发明内容
针对现有技术的不足,本发明提出了一种基于点的点云几何有损压缩重建装置与方法,通过变分自动编码器(Variational Autoencoder,VAE),对局部特征进行增强,并细化坐标,以获得更好的重建效果。
一种基于点的点云几何有损压缩重建装置,包括编码模块和解码模块。
所述编码模块,包括依次级联的下采样模块、特征提取模块、第一特征增强模块、熵编码模块;所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进行增强后聚合成全局特征;
所述解码模块,包括依次级联的特征恢复模块、第二特征增强模块、坐标恢复模块、坐标细化模块;所述第二特征增强模块利用自注意力机制对特征恢复模块的输出数据进行增强。
一种基于点的点云几何有损压缩重建方法,包括编码压缩与解码重建。
步骤1、对于编码压缩部分,在特征提取后进行了增强处理,包括以下步骤:
1.1)将数量为P的原始点云下采样为数量为M的点云;
1.2)利用神经网络对数量为M的点云进行特征提取,得到维度为M×C的局部特征;
1.3)利用自注意力机制对维度为M×C的局部特征进行增强,然后聚合得到维度为1×C的全局特征;
1.4)利用熵编码对维度为1×C的全局特征进行压缩。
步骤2、对于解码重建部分,在恢复点云坐标前同样进行了特征增强,并且细化了坐标,包括以下步骤:
2.1)利用神经网络将压缩后的全局特征的维度由1×C恢复成N×C;
2.2)利用与编码端相同的自注意力机制对维度为N×C的恢复后的点云特征进行增强;
2.3)利用神经网络将维度为N×C的增强后的点云特征恢复成维度为N×3的点云坐标;
2.4)将步骤2.3中的点云特征和点云坐标输入神经网络,生成偏置值,然后将其分别与对应位置的点云坐标相加,得到维度为Q×3的点云坐标,获得数量为Q的重建点云。
本发明具有以下有益效果:
1、通过增强局部特征与应用不断细化坐标的结构,提出一种用于点云几何的基于点的有损压缩重建方法,可以获得与原始点云更加接近的重建效果。
2、在全局特征压缩部分,本方法采用与现有技术相同的的压缩方法,相对于原编码器不会显著提高压缩比特率。
附图说明
图1为一种基于点的点云几何有损压缩重建装置结构示意图;
图2为一种基于点的点云几何有损压缩重建方法的流程图;
图3为实施例中编码端下采样模块的结构图;
图4为实施例中编码端特征提取模块的神经网络结构图;
图5为实施例中编码端第一特征增强模块的神经网络结构图;
图6为实施例中增强特征的自注意力块的神经网络结构图;
图7为实施例中编码端熵编码模块的神经网络结构图;
图8为实施例中解码端恢复特征模块的神经网络结构图;
图9为实施例中解码端第二特征增强模块的神经网络结构图;
图10为实施例中解码端坐标恢复模块的神经网络结构图;
图11为实施例中解码端坐标细化模块的神经网络结构图。
具体实施方式
以下结合附图对本发明作进一步的解释说明;
实施例1
参见图1,本实例的一种基于点的点云几何有损压缩重建装置,包括编码模块100和解码模块200。
其中100表示编码模块,包括下采样模块101、用于提取原始点云的特征的特征提取模块102、用于对提取到的特征进行增强的第一特征增强模块103和用于特征进行压缩的熵编码模块104。
200表示解码模块,包括特征恢复模块201、第二特征增强模块202、坐标恢复模块203和用于细化坐标的坐标细化模块204。
图2为基于点的点云几何有损压缩重建方法的流程图。由于本方法是基于一个无监督的神经网络模型,因此包括以下步骤:
步骤S110,构建原始点云数据集;
本实例使用网上公开数据集来制作训练集与测试集,其中可以根据量化参数和点云类型构造不同的训练集与测试集。
步骤S120,构建有损压缩重建模型神经网络;
本实例构建如图1所给出的基于点的点云几何有损压缩重建装置,进行基于点的点云几何压缩重建。
S121,使用下采样模块101对包含2048个点的原始点云进行下采样率为4的最远点采样,得到包含512个点的点云,其模块的结构图参见图3;
S122,使用特征提取模块102对点云进行特征提取,获得维度为512×256的点云局部特征,所述特征提取模块将输入数据依次经过K最近邻法、多层感知机和最大池化操作,实现特征提取,神经网络结构图参见图4;
S123,重复进行子步骤S121和子步骤S122,得到维度为128×256的点云局部特征;
S124,使用第一特征增强模块103对维度为128×256的点云局部特征进行优化,增强局部特征包含的信息,并聚合成维度为1×256的点云全局特征,所述特征增强模块首先使用4个级联的自注意力块对局部特征进行连续增强,然后依次输入多层感知机和最大池化层,聚合成全局特征,神经网络结构图参见图5。自注意力块的神经网络结构参见图6,自注意力块将输入特征分别经过三个线性层变换成Query、Key和Value的表示;然后,将Query和转置后的Key相乘得到自注意力得分,并经过Softmax层激活;最后,将激活后的结果与Value相乘,得到增强的特征。
S125,使用熵编码模块104,利用超先验优化熵模型,将维度为1×256的点云全局特征压缩成码流,神经网络结构图参见图7;
S126,特征恢复模块201神经网络结构图参见图8;反卷积层将码流解压缩出的维度为1×256的点云全局特征恢复成维度为128×256的局部特征,
S127,使用与第一特征增强模块103具有相同自注意力块的第二特征增强模块202对维度为128×256的局部特征进行增强,输出维度与输入一致,此模块的神经网络结构图参见图9。
S128,使用坐标恢复模块203将S127增强后的维度为128×256的局部特征恢复成维度为128×3的点云坐标,神经网络结构图参见图10;
S129,根据增强后的维度为128×256的局部特征和维度为128×3的点云坐标,使用坐标细化模块204来生成2个偏置值,将其分别与维度为128×3的点云坐标相加,得到维度为256×3的输出点云坐标,具体地,分别将恢复的点云坐标与对应的增强后的通过第一、第二多层感知机,将第一、第二多层感知机的输出进行拼接后输入第三多层感知机得到偏置值,再将偏置值与恢复的点云坐标相加,得到输出点云坐标。此模块的神经网络结构图参见图11。
S130,重复S129 4次后,最终得到维度为2048×3的点云坐标,即包含2048个点的重建点云;利用数据集中的原始点云训练神经网络,得到有损压缩重建模型;
本实例使用特定的量化参数与点云类型构造训练集与测试集,并训练神经网络,以获得有损压缩重建模型。
实施例2
本实施例的基于点的点云几何有损压缩重建装置与实施例1相同,此处不再赘述,不同之处在于压缩和重建的点云数量。参见图2,本实施例的基于点的点云几何有损压缩重建方法包括以下步骤:
步骤S110,构建原始点云数据集;
本实例使用网上公开数据集来制作训练集与测试集,其中可以根据量化参数和点云类型构造不同的训练集与测试集。
步骤S120,构建有损压缩重建模型神经网络;
本实例构建如图1所给出的基于点的点云几何有损压缩重建装置,进行基于点的点云几何压缩重建。
S121,使用下采样模块101对包含1024个点的原始点云进行下采样率为4的最远点采样,得到包含256个点的点云,其模块的结构图参见图3;
S122,使用特征提取模块102对点云进行特征提取,获得维度为256×256的点云局部特征,所述特征提取模块将输入数据依次经过K最近邻法、多层感知机和最大池化操作,实现特征提取,神经网络结构图参见图4;
S123,重复进行子步骤S121和子步骤S122,得到维度为64×256的点云局部特征;
S124,使用第一特征增强模块103对维度为64×256的点云局部特征进行优化,增强局部特征包含的信息,并聚合成维度为1×256的点云全局特征,所述特征增强模块首先使用4个级联的自注意力块对局部特征进行连续增强,然后依次输入多层感知机和最大池化层,聚合成全局特征,神经网络结构图参见图5。自注意力块的神经网络结构参见图6,自注意力块将输入特征分别经过三个线性层变换成Query、Key和Value的表示;然后,将Query和转置后的Key相乘得到自注意力得分,并经过Softmax层激活;最后,将激活后的结果与Value相乘,得到增强的特征。
S125,使用熵编码模块104,利用超先验优化熵模型,将维度为1×256的点云全局特征压缩成码流,神经网络结构图参见图7;
S126,特征恢复模块201神经网络结构图参见图8;反卷积层将码流解压缩出的维度为1×256的点云全局特征恢复成维度为64×256的局部特征,
S127,使用与第一特征增强模块103具有相同自注意力块的第二特征增强模块202对维度为64×256的局部特征进行增强,输出维度与输入一致,此模块的神经网络结构图参见图9。
S128,使用坐标恢复模块203将S127增强后的维度为64×256的局部特征恢复成维度为64×3的点云坐标,神经网络结构图参见图10;
S129,根据增强后的维度为64×256的局部特征和维度为64×3的点云坐标,使用坐标细化模块204来生成2个偏置值,将其分别与维度为64×3的点云坐标相加,得到维度为128×3的点云坐标,此模块的神经网络结构图参见图11。
S130,重复S129 6次后,最终得到维度为4096×3的点云坐标,即包含4096个点的重建点云;利用数据集中的原始点云训练神经网络,得到有损压缩重建模型;
本实例使用特定的量化参数与点云类型构造训练集与测试集,并训练神经网络,以获得有损压缩重建模型。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界。
Claims (9)
1.一种基于点的点云几何有损压缩重建装置,其特征在于:包括编码模块和解码模块;
所述编码模块,包括依次级联的下采样模块、特征提取模块、第一特征增强模块、熵编码模块;所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进行增强后聚合成全局特征;
所述解码模块,包括依次级联的特征恢复模块、第二特征增强模块、坐标恢复模块、坐标细化模块;所述第二特征增强模块利用自注意力机制对特征恢复模块的输出数据进行增强;
所述自注意力机制为:将输入特征分别经过三个线性层变换成Query、Key和Value的表示;然后,将Query和转置后的Key相乘得到自注意力得分,并经过Softmax层激活;最后,将激活后的结果与Value相乘,得到增强的特征。
2.如权利要求1所述一种基于点的点云几何有损压缩重建装置,其特征在于:所述编码模块中下采样模块,使用最远点采样法将数量为P的原始点云下采样为数量为M的点云;
所述特征提取模块,利用K最近邻法对每个点云中的点构建对应的邻居,然后使用神经网络对邻居的特征进行变换;最后采用最大池化法聚合特征,得到每个点维度为M×C的局部特征;
所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进行增强后聚合成维度为1×C的全局特征;
熵编码模块,利用熵编码对维度为1×C的全局特征进行压缩。
3.如权利要求1所述一种基于点的点云几何有损压缩重建装置,其特征在于:所述解码模块中特征恢复模块采用一个反卷积块,将压缩后的全局特征的维度由1×C恢复成N×C的点云特征;
第二特征增强模块利用与所述第一特征增强模块相同的自注意力机制对维度为N×C的恢复后点云特征进行增强;
坐标恢复模块利用多层感知机,将维度为N×C的增强后的点云特征恢复成维度为N×3的点云坐标;
坐标细化模块将第二特征增强模块得到的恢复后点云特征和坐标恢复模块得到的点云坐标利用神经网络生成偏置值;然后将偏置值分别与对应位置的点云坐标相加,得到维度为Q×3的点云坐标,获得数量为Q的重建点云。
4.一种基于点的点云几何有损压缩重建方法,其特征在于包括以下步骤:
步骤(1)、编码压缩
获取点云数据,利用神经网络提取点云数据的局部特征,然后使用自注意力机制进行增强后聚合成全局特征,最后利用熵编码实现压缩;
步骤(2)、解码重建
对步骤(1)压缩后的特征进行维度恢复,然后使用与步骤(1)相同的自注意力机制进行局部特征增强,再恢复得到点云坐标;利用神经网络根据增强后的局部特征与恢复后的点云坐标求取偏置值,并将偏置值与对应位置的恢复后点云坐标相加,得到重建点云。
5.如权利要求4所述一种基于点的点云几何有损压缩重建方法,其特征在于:所述步骤(1)具体包括以下步骤:
1.1)使用最远点采样法,将数量为P的原始点云下采样为数量为M的点云;
1.2)利用神经网络对数量为M的点云进行特征提取,得到维度为M×C的局部特征;
1.3)利用自注意力机制对维度为M×C的局部特征进行增强,然后聚合得到维度为1×C的全局特征;
1.4)利用熵编码对维度为1×C的全局特征进行压缩。
6.如权利要求4或5所述一种基于点的点云几何有损压缩重建方法,其特征在于:在步骤1.3中,首先通过多个自注意力机制对局部特征进行增强,然后将增强后的特征级联;再将级联后的特征经过多层感知机进行变换;最后使用最大池化法将局部特征聚合成全局特征。
7.如权利要求4所述一种基于点的点云几何有损压缩重建方法,其特征在于:所步骤(2)具体包括以下步骤:
2.1)利用一个反卷积块,将压缩后的全局特征的维度由1×C恢复成N×C;
2.2)利用与步骤(1)相同的自注意力机制对维度为N×C的恢复后的点云特征进行增强;
2.3)利用多层感知机,将维度为N×C的增强后的点云特征恢复成维度为N×3的点云坐标;
2.4)将步骤2.3中的点云特征和点云坐标输入神经网络,生成偏置值,然后将该偏置值分别与对应位置的点云坐标相加,得到维度为Q×3的点云坐标,获得数量为Q的重建点云。
8.如权利要求7所述一种基于点的点云几何有损压缩重建方法,其特征在于:在步骤2.4中,首先将维度为N×C的点云特征和维度为N×3的点云坐标通过多层感知机,生成r个维度为N×3的偏置值,r为步骤步骤2.1中的上采样倍率;将r个偏置值分别与维度为N×3的点云坐标对应相加,得到维度为Q×3的细化后的点云坐标,其中Q=r×N。
9.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求4、5、7、8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031926.1A CN114373023A (zh) | 2022-01-12 | 2022-01-12 | 一种基于点的点云几何有损压缩重建装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031926.1A CN114373023A (zh) | 2022-01-12 | 2022-01-12 | 一种基于点的点云几何有损压缩重建装置与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114373023A true CN114373023A (zh) | 2022-04-19 |
Family
ID=81143976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210031926.1A Withdrawn CN114373023A (zh) | 2022-01-12 | 2022-01-12 | 一种基于点的点云几何有损压缩重建装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114373023A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023230996A1 (zh) * | 2022-06-02 | 2023-12-07 | Oppo广东移动通信有限公司 | 编解码方法、编码器、解码器以及可读存储介质 |
WO2024011426A1 (zh) * | 2022-07-12 | 2024-01-18 | Oppo广东移动通信有限公司 | 一种点云几何数据增强、编解码方法、装置和系统 |
-
2022
- 2022-01-12 CN CN202210031926.1A patent/CN114373023A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023230996A1 (zh) * | 2022-06-02 | 2023-12-07 | Oppo广东移动通信有限公司 | 编解码方法、编码器、解码器以及可读存储介质 |
WO2024011426A1 (zh) * | 2022-07-12 | 2024-01-18 | Oppo广东移动通信有限公司 | 一种点云几何数据增强、编解码方法、装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | 3d point cloud geometry compression on deep learning | |
CN110517329B (zh) | 一种基于语义分析的深度学习图像压缩方法 | |
CN110290387B (zh) | 一种基于生成模型的图像压缩方法 | |
Wang et al. | Towards analysis-friendly face representation with scalable feature and texture compression | |
CN109949222B (zh) | 基于语义图的图像超分辨率重建方法 | |
CN114373023A (zh) | 一种基于点的点云几何有损压缩重建装置与方法 | |
CN109996073B (zh) | 一种图像压缩方法、系统、可读存储介质及计算机设备 | |
CN104869425A (zh) | 一种基于纹理图像相似性的压缩和解压缩方法 | |
CN113613010A (zh) | 基于稀疏卷积神经网络的点云几何无损压缩方法 | |
CN112950471A (zh) | 视频超分处理方法、装置、超分辨率重建模型、介质 | |
CN111860116B (zh) | 一种基于深度学习和特权信息的场景识别方法 | |
CN116233445B (zh) | 视频的编解码处理方法、装置、计算机设备和存储介质 | |
Lu et al. | Preprocessing enhanced image compression for machine vision | |
Yang et al. | Learned low bit-rate image compression with adversarial mechanism | |
Fan et al. | Deep geometry post-processing for decompressed point clouds | |
CN114531561A (zh) | 一种面部视频编码方法、解码方法及装置 | |
CN115239563A (zh) | 一种基于神经网络的点云属性有损压缩装置及方法 | |
Ding et al. | Point Diffusion Implicit Function for Large-scale Scene Neural Representation | |
Huang et al. | Learned distributed image compression with multi-scale patch matching in feature domain | |
Ma et al. | AFEC: adaptive feature extraction modules for learned image compression | |
CN115393452A (zh) | 一种基于非对称自编码器结构的点云几何压缩方法 | |
CN113362240A (zh) | 一种基于轻量级特征金字塔模型的图像修复方法 | |
Seleem et al. | Deep Learning-Based Compressed Domain Multimedia for Man and Machine: A Taxonomy and Application to Point Cloud Classification | |
Seleem et al. | Impact of conventional and deep learning-based point cloud geometry coding on deep learning-based classification performance | |
CN115589492A (zh) | 基于Transformer的点云几何压缩装置及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220419 |
|
WW01 | Invention patent application withdrawn after publication |