CN114651192A - 用于点云编解码的基于哈希的属性预测 - Google Patents

用于点云编解码的基于哈希的属性预测 Download PDF

Info

Publication number
CN114651192A
CN114651192A CN202180006257.6A CN202180006257A CN114651192A CN 114651192 A CN114651192 A CN 114651192A CN 202180006257 A CN202180006257 A CN 202180006257A CN 114651192 A CN114651192 A CN 114651192A
Authority
CN
China
Prior art keywords
computer
hash
point cloud
hash table
parameter set
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
CN202180006257.6A
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 CN114651192A publication Critical patent/CN114651192A/zh
Pending legal-status Critical Current

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
    • H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2255—Hash tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2358—Change logging, detection, and notification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

提供用于点云编解码的方法、计算机程序和计算机系统。接收对应于点云的数据。重建对应于与所接收的数据相关联的属性值的哈希元素。可以基于删除哈希元素中的一个或多个哈希元素来减小哈希表的尺寸，哈希元素中的一个或多个哈希元素对应于与属性值相关联的非边界区域。基于所重建的哈希元素解码对应于点云的数据。

Description

用于点云编解码的基于哈希的属性预测
交叉引用相关应用
本申请要求2021年5月11日提交的编号为17/317,053的美国专利申请的优先权的权益，该美国专利申请要求基于2020年8月17日提交的编号为63/066,583的美国临时申请的优先权，它们的全部内容通过引用并入本文。
技术领域
本公开总体上涉及数据处理领域，尤其涉及点云编解码。
背景技术
点云近年来被广泛使用。例如，点云可在自动驾驶车辆中用于物体检测和物体定位；点云还可以在地理信息系统(Geographic Information Systems，GIS)中用于绘图，点云还可在文化遗产中用于对文化遗产对象和收藏品进行可视化和归档，等等。点云包含一组高维点，通常为三维(Three dimensional，3D)点，每个点包括3D位置信息和诸如颜色、反射率等的附加属性。点云可以使用多个照相机和深度传感器或各种设置中的激光雷达来捕获，并且可以由数千个至数十亿个点组成以真实地表示原始场景。为了更快地传输或减少存储，需要压缩技术来减小表示点云所需的数据量。
发明内容
实施例涉及用于点云编解码的方法、系统和计算机可读介质。根据一个方面，提供了一种用于点云编解码的方法。该方法可以包括接收对应于点云的数据。重建对应于与所接收的数据相关联的属性值的哈希元素。基于所重建的哈希元素来解码对应于点云的数据。
根据另一方面，提供了一种用于点云编解码的计算机系统。计算机系统可包括一个或多个处理器、一个或多个计算机可读存储器、一个或多个计算机可读有形存储设备、以及存储在一个或多个存储设备中的至少一个上的程序指令，程序指令通过一个或多个存储器中的至少一个存储器由一个或多个处理器中的至少一个处理器来执行，由此计算机系统能够执行方法。该方法可以包括：接收对应于点云的数据；重建对应于与所接收的数据相关联的属性值的哈希元素；基于所重建的哈希元素来解码对应于点云的数据。
根据又一方面，提供了一种用于点云编解码的计算机可读介质。计算机可读介质可包括一个或多个计算机可读存储设备和存储在所述一个或多个有形存储设备中的至少一个有形存储设备上的程序指令，所述程序指令可由处理器执行。程序指令可由处理器执行以用于执行方法，该方法相应地可包括：接收对应于点云的数据；重建对应于与所接收的数据相关联的属性值的哈希元素；基于所重建的哈希元素来解码对应于点云的数据。
附图说明
这些和其它目的、特征和优点将通过下面结合附图阅读的对说明性实施例的详细描述而变得明显。附图的各种特征未按比例绘制，原因是图示要清楚地便于本领域技术人员结合详细描述来理解。在附图中：
图1示出根据至少一个实施例的联网计算机环境；
图2A-2B是根据至少一个实施例的点云更新系统的框图；
图2C是根据至少一个实施例的区域自适应分层变换(region adaptivehierarchical transform，RAHT)的示意图；
图2D是根据至少一个实施例的在保持边界元素的同时进行哈希收缩(hashshrinking)的示意图；
图2E是根据至少一个实施例的用于预测残差的语法元素表；
图3是示出根据至少一个实施例的用于点云编解码的程序所执行的步骤的操作流程图；
图4是根据至少一个实施例的图1中描绘的计算机和服务器的内部组件和外部组件的框图；
图5为根据至少一个实施例的包括图1中描绘的计算机系统的说明性云计算环境的框图；以及
图6为根据至少一个实施例的图5的说明性云计算环境的功能层的框图。
具体实施方式
本文公开了所要求保护的结构和方法的详细实施例；然而，可以理解，所公开的实施例仅仅是所要求保护的结构和方法的说明，所要求保护的结构和方法可以以各种形式实施。然而，这些结构和方法可以以许多不同的形式实施，且不应被解释为限于本文阐述的示例性实施例。相反，提供这些示例性实施例，使得本公开将是彻底的和完整的并向本领域技术人员充分传达范围。在描述中，可省略公知特征和技术的细节以避免不必要地模糊所呈现的实施例。
实施例一般涉及数据处理领域，更具体地涉及点云编解码。下面描述的示例性实施例提供了一种系统、方法和计算机程序，其中，使用基于哈希的方法对点云属性数据进行编解码。因此，一些实施例能够不需要寻找该点云数据的最近邻而通过使点云编解码效率提高来改进计算领域。
如前文所述，点云近年来被广泛使用。例如，点云可在自动驾驶车辆过程中用于物体检测和物体定位；点云还可以在地理信息系统(Geographic Information Systems，GIS)中用于绘图，点云可在文化遗产中用于对文化遗产对象和收藏品进行可视化和归档等。点云包含一组高维点，通常为三维(Three dimensional，3D)点，每个点包括3D位置信息和诸如颜色、反射率等的附加属性。点云可以使用多个照相机和深度传感器或各种设置中的激光雷达来捕获，并且可以由数千个至数十亿个点组成，以真实地表示原始场景。为了更快地传输或减少存储，需要压缩技术来减小表示点云所需的数据量。在基于预测的属性编解码中，从接近当前点的已经编码的点中预测当前点的属性。
在TMC13模型中，几何信息和诸如颜色或反射率的相关属性分别被压缩。几何信息，即点云的3D坐标，通过八叉树划分与其占用信息进行编解码。然后基于使用预测、提升和区域自适应分层变换技术(region adaptive hierarchical transform)的重建几何来压缩属性。然而，为每个点找到3D空间中的最近点可能是昂贵的。另外，对于多个信道属性(例如，RGB颜色)的无损和近无损编码，直接处理多个信道而不进行颜色空间转换并且独立地编解码。然而，特别是在RGB域中，不同颜色通道之间通常存在强相关性。不利用这种相关性可能导致编解码效率方面的性能损失。因此，使用基于哈希的预测方案和组件间相关性可能是有利的。
在本文中参考根据各个实施例的方法、装置(系统)和计算机可读介质的流程图示和/或框图来描述各方面。应理解，流程图示和/或框图的每个框以及流程图示和/或框图中的框的组合可由计算机可读程序指令实现。
现在参考图1，示出用于编解码云数据的点云编解码系统100(以下称为“系统”)的联网计算机环境的功能框图。应理解，图1仅提供了一种实施方式的图示，并不暗示与可实现不同实施例的环境相关的任何限制。可基于设计和实现要求对所描绘的环境进行许多修改。
系统100可包括计算机102和服务器计算机114。计算机102可通过通信网络110(以下称为“网络”)与服务器计算机114通信。计算机102可包括处理器104和存储在数据存储设备106上的软件程序108，计算机102能够与用户交互并与服务器计算机114通信。如下文将参照图4讨论的，计算机102可分别包括内部组件800A和外部组件900A，且服务器计算机114可分别包括内部组件800B和外部组件900B。计算机102可以为例如移动设备、电话、个人数字助理、上网本、膝上型计算机、平板电脑、台式计算机、或能够运行程序、访问网络和访问数据库的任何类型的计算设备。
如下文参考图5和图6讨论的，服务器计算机114还可以在云计算服务模型中操作，云计算服务模型例如软件即服务(Software as a Service，SaaS)、平台即服务(Platformas a Service，PaaS)或基础设施即服务(Infrastructure as a Service，IaaS)。服务器计算机114还可位于云计算部署模型中，云计算部署模型例如私有云、社区云、公共云或混合云。
服务器计算机114可用于点云编解码，能够运行可与数据库112交互的点云编解码程序116(以下称为“程序”)。下面结合图3更详细地说明点云编解码程序方法。在一个实施例中，计算机102可作为包括用户接口的输入设备操作，而程序116可主要在服务器计算机114上运行。在可选实施例中，程序116可主要在一个或多个计算机102上运行，而服务器计算机114可用于处理和存储程序116所使用的数据。应注意，程序116可以是独立的程序，或者可集成到更大的点云编解码程序中。
然而，应注意，在某些情况下，程序116的处理可以在计算机102和服务器计算机114之间以任何比例共享。在另一实施例中，程序116可以在多于一台计算机、服务器计算机或计算机和服务器计算机的某种组合上运行，例如，在通过网络110与单个服务器计算机114通信的多个计算机102上运行。在另一实施例中，例如，程序116可以在通过网络110与多个客户端计算机通信的多个服务器计算机114上运行。可选地，程序可以在通过网络与服务器和多个客户端计算机通信的网络服务器上运行。
网络110可包括有线连接、无线连接、光纤连接或这些连接的某种组合。通常，网络110可以是将支持计算机102和服务器计算机114之间的通信的连接和协议的任何组合。网络110可包括各种类型的网络，例如局域网(Local Area Network，LAN)、诸如因特网的广域网(Wide Area Network，WAN)、诸如公共交换电话网络(Public Switched TelephoneNetwork，PSTN)的电信网络、无线网络、公共交换网络、卫星网络、蜂窝网络(例如第五代(Fifth Generation，5G)网络、长期演进(Long-Term Evolution，LTE)网络、第三代(ThirdGeneration 3G)网络、码分多址(Code Division Multiple Access，CDMA)网络等)、公共陆地移动网络(Public Land Mobile Network，PLMN)、城域网(Metropolitan Area Network，MAN)、专用网络、自组织网络、内联网、基于光纤的网络等，和/或这些网络或其它类型的网络的组合。
图1所示的设备和网络的数量和布置作为示例来提供。在实践中，可存在额外的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或者与图1所示的设备和/或网络不同地布置的设备和/或网络。此外，图1所示的两个或更多个设备可以在单个设备内实现，或者图1所示的单个设备可实现为多个分布式设备。另外或者可选地，系统100的一组设备(例如，一个或多个设备)可执行被描述成由系统100的另一组设备执行的一个或多个功能。
现在参考图2A和2B，示出了点云更新系统的框图200A和200B。框图200A可描绘提升方案中的直接或正向变换。框图200B可以描绘提升方案中的逆变换。
对于基于预测的属性编解码，设(Pi)i＝1…N为与点云点相关联的位置集合，并且设(Mi)i＝1…N为与(Pi)i＝1…N相关联的莫顿(Morton)码。首先，根据它们的相关Morton码以升序对点进行排序。设I为根据该过程排序的点索引的阵列。编码器/解码器根据由I定义的顺序分别压缩/解压缩点。在每次迭代i中，选择一个点Pi。分析Pi到s(例如，s＝64)个先前点的距离，并且选择Pi的k(例如，k＝3)个的最近邻以用于预测。更准确地，通过使用基于点i的最近邻的距离的线性插值处理来预测属性值(ai)i∈0…k-1。设
Figure BDA0003627454440000061
是当前点i的k最近邻的集合，并且设
Figure BDA0003627454440000062
是它们的解码/重建的属性值以及
Figure BDA0003627454440000063
是它们到当前点的距离。预测属性值
Figure BDA0003627454440000064
由下式给出：
Figure BDA0003627454440000065
基于提升的属性编解码建立在基于预测的编解码上。与基于预测的方案相比的主要区别在于引入了两个添加步骤。第一个是更新算子的引入。第二个是自适应量化策略的使用。
现在参考图2C，示出了区域自适应分层变换(region adaptive hierarchicaltransform，RAHT)的示意图200C。框图200C可以描绘正向变换202A和反向变换202B。对于RAHT编码，
Figure BDA0003627454440000071
且
Figure BDA0003627454440000072
w0是输入系数Fl+1,2n的权重的符号，而w1对于Fl+1,2n+1也是一样的。
现在参考图2D，示出了在保持边界元素的同时进行哈希收缩的示意图200D。哈希收缩可以包括哈希元素206A-C、边界哈希元素208A-C和当前节点210。根据一个或多个实施例，编解码的几何占用信息可以被保存在高速缓存存储器中，因为稍后的编解码的节点需要使用该信息作为上下文。
编解码的属性信息可以保存在哈希表中，并且稍后的编解码的节点可以作为预测器来检索它们。哈希表用于存储重建的属性值。具体地，维护哈希表H，其中，键值(key)是点的3D坐标的Morton编码，即Mi＝Morton(xi,yi,zi)，其中(xi,yi,zi)是第i个点的3D坐标。使用Morton编码Mi作为键值，可以直接访问其在哈希表H中重建的属性值。如果H(Mi)为空(NULL)，则表示该位置(xi,yi,zi)未被占用，并且没有与其相关联的属性值，或者与该位置(xi,yi,zi)相关联的属性尚未被编码。
当对当前点的属性值进行编码/解码时，从哈希表H中获得相邻点的先前编解码的属性，并将其用作预测器。在对当前节点的属性值进行编码/解码之后，将当前节点的重建的属性存储在H中。
假设当前点具有在(xi,yi,zi)处的几何位置，则查找在(xi-Δx,yi-Δy,zi-Δz)处的近邻(neighbor)的属性值是微不足道的，其中，Δx、Δy和Δz是具有小值的搜索步长。然而，如果搜索范围较大，则搜索空间是耗时的，因为搜索空间以立方体方式增加到搜索步长尺寸。
为了加速搜索，可以构造具有多个哈希表的分层结构。每个哈希表包含在特定八叉树划分级别的属性值。对于每个八叉树划分深度d，维持哈希表Hd，其中，键值是在深度d的八叉树节点的Morton码，即
Figure BDA0003627454440000073
其中，
Figure BDA0003627454440000074
是在深度d的八叉树节点的3D坐标。使用Morton编码
Figure BDA0003627454440000075
作为键值，可以访问哈希表Hd中的属性值。存储在Hd中的属性值可以是对应八叉树节点内所有点的平均属性，或者对应八叉树节点内所有点的中值属性值，或者对应八叉树节点内所有点的加权平均属性值。多个哈希表可以从叶节点级别维持到上面的一些级别。
在搜索时，可以应用自下而上或自上而下的搜索，直到找到足够的预测候选。
为了优化/加速哈希实现，保持哈希表尽可能小可以允许存储信息的成本更小并且搜索速度更快。在一个实施例中，定义最大哈希表尺寸。注意，最大尺寸可以对于所有情况都是固定的，或者可以逐个情况不同地配置，并且作为高级语法的一部分在比特流中发送，诸如序列参数集合、几何参数集合或片头等。当哈希表达到最大容量时，哈希表将通过移除其中的部分元素而收缩其自身。关于哪些元素将被移除的规则可能在多个情况中不同。在一个实施例中，哈希表将移除不在块边界处的元素。可以根据当前节点的位置坐标来定义块边界。通常，块尺寸被定义为2的幂。例如，块尺寸可以在3D空间中的(2M,2M,2M)。然后，具有等于2iM-1(i＝1,2,3,…)的至少一个位置坐标的点是边界。因此，保持在边界处的所有哈希元素，并且可以从表中删除所有其余元素。可以移除不属于边界的元素。注意，边界尺寸M可以对于所有情况都是固定的，或者可以逐个情况不同地配置，并作为高级语法的一部分在比特流中发送，例如序列参数集合、几何参数集合或片头等。
提出了一种基于节点的编解码方法，其中可以通过广度优先八叉树划分将整个点云划分为几个子节点，并且可以不同地或并行地编解码每个子节点。在该方案中，每个子节点可以维护单独的哈希表，并且来自不同子节点的每个哈希表彼此独立。在这种情况下，由于每个子节点是原始点云的一部分，所以哈希表的最大尺寸也减小。然而，这可能在编解码效率方面引入一些性能损失，因为上下文信息不跨节点边界共享。为了补偿损耗，在另一实施例中，在节点边界处的元素被保持并且可以用于不同的子节点。
为了利用不同组件之间的相关性，可以在不同的属性编解码方法中应用预测方案，例如基于预测的属性编解码、基于提升的属性编解码和基于RAHT的属性编解码。交叉组件预测可以应用于原始信号或预测残差或变换系数(如果应用任何变换技术，例如RAHT)。在以下实施例中，使用基于预测的属性编解码作为示例，并且交叉组件预测方案应用于不同信道(分量)的预测残差。
可以建立不同的模型来预测信号交叉分量，例如线性模型、二次模型和其他多项式模型。在以下实施例中，使用线性模型作为示例。
交叉组件预测不仅限于RGB颜色属性，而且可以用于任何其他属性，只要有不只一种类型的属性要编解码并且它们之间存在相关性。在以下实施例中，将使用RGB颜色属性作为示例。
假设R、G和B分量的预测残差分别是r0、r1、r2，并且假设这些信号是线性相关的。这些分量可以按任何顺序编解码。编解码顺序可以对于所有情况都是固定的，或者可以逐个情况不同地配置，并且在比特流中被指定为高级语法的一部分，诸如序列参数集合、几何参数集合或片头等。在下面的实施例中，假设编解码顺序是R在先，随后是G和B。因此，当编解码G的预测残差时，可以使用R的重建的预测残差作为预测；当编解码B的预测残差时，可以使用R和G的重建的预测残差进行预测。
更具体地，假设R分量的预测残差，即r0，首先被编解码，并且其在量化/反量化之后的重建值是R0。然后，G分量的预测残差，即r1，可以由R0预测，如下：
p1＝α0R0+β0
其中，α0和β0是线性模型参数，并且p1是G的预测的预测残差。因此，代替直
接编码预测残差，即r1，可以编码r1和p1之间的二阶残差，即r1′＝r1-p1。然后，G的二阶残差，即r1′，被编码，并且其在量化/反量化之后的重建值是R1′，
并且G分量的重建的预测残差是R1＝R1′+p1。最后，B分量的预测残差，即r2，可以通过R0和R1来预测，
p2＝α1R0+β1R1+γ1，其中，α1、β1和γ1是线性模型参数，并且p2是B的预测的预测残差。因此，代替直接编码预测残差，即r2，可以编码r2和p2之间的二阶残差。然后，B的二阶残差，即r2′，被编码，并且其在量化/反量化之后的重建值为R2′，并且B分量的重建的预测残差为R2＝R′2+p2。
如下所示，可以以许多方式简化线性模型。但是注意，简化方法可以是任何其它类似的形式。在一个实施例中，线性模型简化如下：
p1＝α0R0,p2＝α1R0+β1R1，
其中，β0和γ1固定为零。在另一实施例中，线性模型可简化如下,
p1＝α0R0,p2＝α1R0，
其中，β0和γ1和β1固定为零。在另一实施例中，线性模型可简化如下,
p1＝α0R0,p2＝β1R1，
其中，β0和γ1和α1固定为零。在另一实施例中，线性模型可简化如下,
p1＝α0R0,p2＝α0R0，其中，β0和γ1和β1固定为零。和在另一实施例中，线性模型可简化如下,
p1＝α0R0,p2＝α0R1
其中，β0和γ1和α1固定为零，且β1＝α0。
在上述线性模型中，模型参数对于编码器和解码器以及对于所有情况都是固定的。在一个实施例中，可以将预测导出为：
p1＝R0,p2＝R0；
p1＝R0,p2＝R1；或
p1＝R0,
Figure BDA0003627454440000101
然而，对于不同的点云，模型参数可以是不同的，并且这些参数可以在高级语法中用信号通知，例如在序列参数集合、属性参数集合或片头等中。
在其他实施例中，模型参数也可以作为“低级语法”来用新号通知，这意味着每个编解码单元(节点)可以具有不同的参数集合。
在另一实施例中，为了避免显式地用信号通知模型参数，可以自适应地从重建的预测残差中实时地学习参数。编码器和解码器可以在编解码的同时通过最小化均方误差来进行相同的训练阶段。
现在参考图2E，示出了用于预测残差的语法元素的表200E。为了更有效地编码预测残差，不同的属性分量可以使用单独的上下文。在一个实施例中，R、G和B分量都使用不同的上下文模型。prediction_residual_is_zero[i]指定第i个分量的预测残差是否等于0。prediction_residual_is_one[i]指定第i个分量的预测残差是否等于1。prediction_residual_is_two[i]指定第i个分量的预测残差是否等于2。prediction_residual_minus_three[i]指定第i个分量的预测残差为prediction_residual_minus_three[i]+3。在另一实施例中，R分量使用单独的上下文模型，而G和B组件使用相同的上下文模型。
现在参考图3，示出了由用于点云编解码的程序执行的方法300的步骤的操作流程图。
在302，方法300可以包括接收对应于点云的数据。
在304，方法300可以包括重建对应于与所接收的数据相关联的属性值的哈希元素。
在306，方法300可以包括基于所重建的哈希元素解码对应于点云的数据。
可以理解，图3仅提供了一种实现方式的图示，并不暗示与可如何实现不同实施例相关的任何限制。可基于设计和实现要求对所描绘的环境进行许多修改。
图4是根据一个说明性实施例的图1描绘的计算机的内部组件和外部组件的框图400。应理解，图4仅提供一种实施方式的图示，并且不暗示与可实施不同实施例的环境相关的任何限制。可基于设计和实现要求对所描绘的环境进行许多修改。
如图5所示，计算机102(图1)和服务器计算机114(图1)可分别包括一组内部组件800A、800B和外部组件900A、900B。每一组内部组件800包括位于一个或多个总线826上的一个或多个处理器820、一个或多个计算机可读RAM 822和一个或多个计算机可读ROM 824、一个或多个操作系统828和一个或多个计算机可读有形存储设备830。
处理器820以硬件、固件或硬件和软件的组合来实现。处理器820是中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、加速处理单元(Accelerated Processing Unit，APU)、微处理器、微控制器、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field-Programmable GateArray，FPGA)、专用集成电路(Application-Specific Integrated Circuit，ASIC)或其它类型的处理组件。在一些实现方式中，处理器820包括能够被编程以执行功能的一个或多个处理器。总线826包括允许内部组件800A、800B之间通信的组件。
位于服务器计算机114(图1)上的一个或多个操作系统828、软件程序108(图1)和点云编解码程序116(图1)存储在相应的计算机可读有形存储设备830中的一个或多个上，以通过相应的RAM 822中的一个或多个(通常包括缓存)由相应的处理器820中的一个或多个来执行。在图4所示的实施例中，每个计算机可读有形存储设备830是内部硬盘驱动器的磁盘存储设备。可选地，每个计算机可读有形存储设备830是半导体存储设备，诸如ROM824、EPROM、闪存、光盘、磁光盘、固态盘、紧凑盘(Compact Disc，CD)、数字通用盘(DigitalVersatile Disc，DVD)、软盘、盒式磁带、磁带和/或可存储计算机程序和数字信息的其它类型的非暂时性计算机可读有形存储设备。
每一组内部组件800A，800B还包括R/W驱动器或接口832，以从一个或多个便携式计算机可读有形存储设备936(例如CD-ROM、DVD、记忆棒、磁带、磁盘、光盘或半导体存储设备)读取和写入一个或多个便携式计算机可读有形存储设备936。诸如软件程序108(图1)和点云编解码程序116(图1)的软件程序可存储在相应的便携式计算机可读有形存储设备936中的一个或多个上，经由相应的R/W驱动器或接口832读取并加载到相应的硬盘驱动器830中。
每一组内部组件800A，800B还包括网络适配器或接口836，例如TCP/IP适配卡；无线Wi-Fi接口卡；或3G、4G或5G无线接口卡或其它有线或无线通信链路。服务器计算机114(图1)上的软件程序108(图1)和点云编解码程序116(图1)可经由网络(例如，因特网、局域网或其它广域网)和相应的网络适配器或接口836从外部计算机下载到计算机102(图1)和服务器计算机114。通过网络适配器或接口836，服务器计算机114上的软件程序108和点云编解码程序116加载到相应的硬盘驱动器830中。网络可以包括铜线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。
每一组外部组件900A，900B可以包括计算机显示器920、键盘930和计算机鼠标934。外部组件900A、900B还可以包括触摸屏、虚拟键盘、触摸板、指向设备和其它人机接口设备。每一组内部组件800A，800B还包括设备驱动器840，以与计算机显示器920、键盘930和计算机鼠标934对接。设备驱动器840、R/W驱动器或接口832和网络适配器或接口836包括硬件和软件(存储在存储设备830和/或ROM 824中)。
应预先理解，虽然本公开包括对云计算的详细描述，但是本文中所叙述的教导的实现方式不限于云计算环境。相反，一些实施例能够结合现在已知或稍后开发的任何其他类型的计算环境来实现。
云计算是用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池的便捷、按需网络访问的服务传送模型，该可配置计算资源可以以最小的管理努力或通过与服务提供者的交互来快速提供和释放。该云模型可包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征如下：
按需自助服务：云消费者可根据需要自动地单方面提供计算能力(例如服务器时间和网络存储)，而不需要与服务提供者进行人工交互。
广泛的网络接入：可通过网络可获得能力并通过标准机制来访问能力，该标准机制促进由异构瘦客户端平台或胖客户端平台(例如，移动电话、膝上型计算机和PDA)使用。
资源池化：使用多租户模型对提供者的计算资源进行池化以服务于多个消费者，其中根据需求动态地分配和重新分配不同的物理资源和虚拟资源。存在与位置无关的感觉，原因是消费者通常无法控制所提供的资源的确切位置或不知道所提供的资源的确切位置，但是能够以更高的抽象级别(例如，国家、状态或数据中心)指定位置。
快速弹性：可快速且弹性地提供能力，在某些情况下可自动地提供能力，以快速扩展和快速释放以快速收缩。对于消费者来说，可提供的能力通常看起来无限制，且可以在任何时候以任何数量购买。
测量的服务：云系统通过在适合于服务类型(例如，存储、处理、带宽和活动用户帐户)的某个抽象级别下利用计量能力来自动控制和优化资源使用。可监测、控制和报告资源使用，从而给所利用的服务的提供者和消费者提供透明度。
服务模型如下：
软件即服务(SaaS)：提供给消费者的能力是使用在云基础设施上运行的提供者的应用程序。应用程序可通过瘦客户端接口从各种客户端设备访问，瘦客户端接口例如web浏览器(例如，基于web的电子邮件)。消费者不管理或控制包括网络、服务器、操作系统、存储器的底层云基础设施，或者甚至不管理或控制个人应用能力，可能的例外是有限的用户特有的应用配置设置。
平台即服务(PaaS)：提供给消费者的能力是将消费者创建或获取的应用部署到云基础设施上，该应用使用由提供者支持的编程语言和工具来创建。消费者不管理或控制包括网络、服务器、操作系统或存储器的底层云基础设施，而是控制所部署的应用和可能的应用托管环境配置。
基础设施即服务(IaaS)：提供给消费者的能力是提供处理、存储、网络和其它基本计算资源，其中消费者能够部署和运行可包括操作系统和应用的任意软件。消费者不管理或控制底层云基础设施，而是控制操作系统、存储、所部署的应用，且可能有限地控制所选择的联网组件(例如，主机防火墙)。
部署模型如下：
私有云：云基础设施运行，仅用于一个组织。云基础设施可由该组织或第三方管理，且可以以内部部署或外部部署的方式存在。
社区云：云基础设施由数个组织共享，并支持具有共同关注点(例如，任务、安全要求、策略和合规性考虑)的特定社区。社区云可由这些组织或第三方管理，且可以以内部部署或外部部署的方式存在。
公共云：云基础设施可用于普通公众或大型工业集团，且由销售云服务的组织所拥有。
混合云：云基础设施是两个或更多个云(私有云、社区云或公共云)的组合，这些云保持独特的实体，但是通过标准化技术或专有技术而捆绑在一起，标准化技术或专有技术实现数据和应用可移植性(例如，云爆用于云之间的负载平衡)。
云计算环境是面向服务的，重点是无状态、低耦合、模块化和语义互操作性。云计算的核心是包括由互连节点构成的网络的基础设施。
参考图5，描绘了说明性云计算环境500。如图所示，云计算环境500包括一个或多个云计算节点10，云消费者使用的本地计算设备可与云计算节点10通信，本地计算设备例如个人数字助理(Personal Digital Assistant，PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N。云计算节点10彼此可通信。云计算节点10可以在一个或多个网络中物理地或虚拟地分组(未示出)，一个或多个网络例如如上所述的私有云、社区云、公共云或混合云，或其组合。这使得云计算环境500可以提供基础设施、平台和/或软件，作为不需要云消费者维护本地计算设备上的资源的服务。应理解，图5所示的计算设备54A-N的类型仅用于说明，且云计算节点10和云计算环境500可通过任何类型的网络和/或网络可寻址连接(例如，使用web浏览器)与任何类型的计算机化设备通信。
参照图6，示出了由云计算环境500(图5)提供的一组功能抽象层600。应预先理解，图6中所示的组件、层和功能仅用于说明，实施例不限于此。如图所描绘的，提供以下层和相应的功能：
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括：主机61；基于精简指令集计算机(Reduced Instruction Set Computer，RISC)架构的服务器62；服务器63；刀片服务器64；存储设备65；以及网络和联网组件66。在一些实施例中，软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层，可从该抽象层提供以下虚拟实体的示例：虚拟服务器71；虚拟存储器72；虚拟网络73，包括虚拟专用网络；虚拟应用和操作系统74；以及虚拟客户端75。
在一个示例中，管理层80可提供以下描述的功能。资源供应81提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取。当在云计算环境中使用资源时，计量和定价82提供成本追溯，以及对这些资源的消耗进行计费或开具清单。在一个示例中，这些资源可包括应用软件许可证。安全给云消费者和任务提供身份验证，以及给数据和其它资源提供保护。用户门户83给消费者和系统管理员提供对云计算环境的访问。服务级别管理84提供云计算资源分配和管理，使得满足所需的服务级别。服务水平协议(Service LevelAgreement，SLA)规划和实现85提供对云计算资源的预先安排和获取，对于云计算资源，根据SLA预期未来需求。
工作负载层90提供可使用云计算环境的功能的示例。可从该层提供的工作负载和功能的示例包括：映射和导航91；软件开发和生命周期管理92；虚拟课堂教育传送93；数据分析处理94；交易处理95；以及点云编解码96。点云编解码96可根据基于哈希的属性编码解码点云数据。
一些实施例可以涉及整合的任何可能的技术细节级别的系统、方法和/或计算机可读介质。计算机可读介质可包括计算机可读非暂时性存储介质(或介质)，在计算机可读非暂时性存储介质(或介质)上具有使得处理器执行操作的计算机可读程序指令。
计算机可读存储介质可以是可保存和存储供指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或上述存储设备的任何适当组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下项：便携式计算机磁盘、硬盘、随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Random Access Memory，ROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM或闪存)、静态随机存取存储器(Static Random Access Memory，SRAM)、便携式紧凑盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字通用盘(Digital Versatile Disk，DVD)、记忆棒、软盘、机械编码的设备(例如凹槽中的凸起结构或穿孔卡片，其上记录有指令)，以及上述各项的任何适当组合。如本文所使用的计算机可读存储介质不应解释成本身是瞬时信号，例如无线电波或其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如，经过光纤线缆的光脉冲)、或通过线传输的电信号。
本文描述的计算机可读程序指令可通过网络(例如因特网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备或下载到外部计算机或外部存储设备。网络可包括铜传输线缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令并转发计算机可读程序指令，以存储在相应的计算/处理设备内的计算机可读存储介质中。
用于执行操作的计算机可读程序代码/指令可以是汇编程序指令、指令集架构(Instruction-Set-Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种编程语言的任何组合编写的源代码或目标代码，一种或多种编程语言包括面向对象的编程语言(例如SmallTalk，C++等)和过程编程语言(例如“C”编程语言或类似的编程语言)。计算机可读程序指令可完全在用户的计算机上、部分地在用户的计算机上、作为独立软件包来执行，独立软件包部分地在用户的计算机上、部分在远程计算机上或完全在远程计算机或服务器上。在后一种情况下，远程计算机可通过任何类型的网络连接到用户的计算机，网络包括局域网(LAN)或广域网(WAN)，或者可与外部计算机建立连接(例如，通过使用因特网服务提供者的因特网)。在一些实施例中，例如包括可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令，以个性化电子电路，来执行多方面或操作。
这些计算机可读程序指令可提供给通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令创建用于实现流程图和/或框图框中指定的功能/动作的方式。这些计算机可读程序指令还可存储在计算机可读存储介质中，可指导计算机、可编程数据处理设备和/或其它设备以特定方式运行，使得存储有指令的计算机可读存储介质包括制造品，该制造品包括实现流程图和/或框图框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可加载到计算机、其它可编程数据处理设备或其它设备上，使得一系列操作步骤在计算机、其它可编程设备或其它设备上执行以产生计算机实现的过程，因此在计算机、其它可编程设备或其它设备上执行的指令实现流程图和/或框图框中指定的功能/动作。
图中的流程图和框图示出了根据各个实施例的系统、方法和计算机可读介质的可能实现方式的架构、功能和操作。在这一点上，流程图或框图中的每个框可表示指令的模块、部段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。与图中所描绘的那些框相比，方法、计算机系统和计算机可读介质可包括附加框、更少的框、不同的框或不同布置的框。在一些可选的实现方式中，在框中注明的功能可以不按图中注明的顺序发生。例如，接连示出的两个框实际上可同时执行或基本上同时执行，或者有时框可以相反的顺序执行，这取决于所涉及的功能。还应注意，框图和/或流程图图示的每个框以及框图和/或流程图图示的框的组合可通过基于专用硬件的系统来实现，这些系统执行指定的功能或动作或者实现专用硬件和计算机指令的组合。
显然，本文描述的系统和/或方法可以以不同形式的硬件、固件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实现方式。因此，本文在不参考特定软件代码的情况下描述系统和/或方法的操作和行为-应理解，软件和硬件可设计成实现基于本文的描述的系统和/或方法。
除非另外明确描述，否则本文使用的元素、动作或指令不应理解为关键的或必要的。此外，如本文所使用的，冠词“一”和“一个”旨在包括一个或多个项目，且可与“一个或多个”互换使用。此外，如本文所使用的，术语“集”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关项目和不相关项目的组合等)，且可与“一个或多个”互换使用。在仅意指一个项目的情况下，使用术语“一”或类似语言。此外，如本文所使用的，术语“有”、“具有”、“含有”或类似术语旨在是开放式术语。此外，短语“基于”意指“至少部分地基于”，除非另有明确说明。
为了说明的目的，已给出对各个方面和实施例的描述，但并不旨在穷举或限制于所公开的实施例。即使在权利要求中叙述和/或在说明书中公开特征的组合，这些组合并不旨在限制可能的实现方式的公开内容。实际上，这些特征中的许多特征可以以未在权利要求中具体陈述和/或未在说明书中公开的方式组合。虽然下面列出的每个从属权利要求可仅直接从属于一个权利要求，但是可能的实现方式的公开内容包括每个从属权利要求与权利要求集中的每一个其它权利要求的组合。在不脱离所描述的实施例的范围的情况下，许多修改和变化将对本领域普通技术人员而言是显而易见的。选择本文使用的术语以最好地解释实施例的原理、实际应用或相对于市场中找到的技术改进，或使本领域普通技术人员能够理解本文公开的实施例。

Claims (20)

1.一种可由处理器执行的点云编解码方法，包括：
接收对应于点云的数据；
重建对应于与所述接收的数据相关联的属性值的哈希元素；以及
基于所述重建的哈希元素来解码所述对应于点云的数据。
2.根据权利要求1所述的方法，还包括基于删除所述哈希元素中的一个或多个哈希元素来减小哈希表的尺寸，所述哈希元素中的所述一个或多个哈希元素对应于与所述属性值相关联的非边界区域。
3.根据权利要求1所述的方法，其中，为所述对应于点云的数据定义所述哈希表的最大尺寸。
4.根据权利要求3所述的方法，其中，在序列参数集合、几何参数集合或片头中用信号通知所述最大值。
5.根据权利要求3所述的方法，其中，基于所述哈希表达到所述最大尺寸，通过从所述哈希表中移除部分元素来减小所述哈希表。
6.根据权利要求1所述的方法，其中，基于与所述哈希元素相关联的莫顿顺序来减小所述哈希表。
7.根据权利要求1所述的方法，其中，在序列参数集合、几何参数集合或片头中用信号通知与所述一个或多个相邻节点相关联的边界尺寸。
8.一种用于点云编解码的计算机系统，所述计算机系统包括：
一个或多个计算机可读非暂时性存储介质，被配置为存储计算机程序代码；以及
一个或多个计算机处理器，被配置为访问所述计算机程序代码并按照所述计算机程序代码的指示操作，所述计算机程序代码包括：
接收代码，被配置为使得所述一个或多个计算机处理器接收对应于点云的数据；
重建代码，被配置为使得所述一个或多个计算机处理器重建对应于与所述接收的数据相关联的属性值的哈希元素；以及
解码代码，被配置为使得所述一个或多个计算机处理器基于所述重建的哈希元素来解码所述对应于所述点云的数据。
9.根据权利要求8所述的计算机系统，还包括减少代码，被配置为基于删除所述哈希元素中的一个或多个哈希元素来减小哈希表的尺寸，所述哈希元素中的所述一个或多个哈希元素对应于与所述属性值相关联的非边界区域。
10.根据权利要求8所述的计算机系统，其中，为所述对应于点云的数据定义所述哈希表的最大尺寸。
11.根据权利要求10所述的计算机系统，其中，在序列参数集合、几何参数集合或片头中用信号通知所述最大值。
12.根据权利要求10所述的计算机系统，其中，基于所述哈希表达到所述最大尺寸，通过从所述哈希表中移除部分元素来减小所述哈希表。
13.根据权利要求8所述的计算机系统，其中，基于与所述哈希元素相关联的莫顿顺序来减小所述哈希表。
14.根据权利要求8所述的计算机系统，其中，在序列参数集合、几何参数集合或片头中用信号通知与所述一个或多个相邻节点相关联的边界尺寸。
15.一种非瞬时性计算机可读介质，所述非瞬时性计算机可读介质上存储有用于点云编解码的计算机程序，所述计算机程序被配置为使得一个或多个计算机处理器：
接收对应于点云的数据；
重建对应于与所述接收的数据相关联的属性值的哈希元素；以及
基于所述重建的哈希元素来解码所述对应于点云的数据。
16.根据权利要求15所述的计算机可读介质，其中，所述计算机程序还被配置成基于删除所述哈希元素中的一个或多个哈希元素来减小哈希表的尺寸，所述哈希元素中的所述一个或多个哈希元素对应于与所述属性值相关联的非边界区域。
17.根据权利要求15所述的计算机可读介质，其中，为所述对应于点云的数据定义所述哈希表的最大尺寸。
18.根据权利要求17所述的计算机可读介质，其中，在序列参数集合、几何参数集合或片头中用信号通知所述最大值。
19.根据权利要求17所述的计算机可读介质，其中，基于所述哈希表达到所述最大尺寸，通过从所述哈希表中移除部分元素来减小所述哈希表。
20.根据权利要求15所述的计算机可读介质，其中，基于与所述哈希元素相关联的莫顿顺序来减小所述哈希表。
CN202180006257.6A 2020-08-17 2021-06-02 用于点云编解码的基于哈希的属性预测 Pending CN114651192A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063066583P 2020-08-17 2020-08-17
US63/066,583 2020-08-17
US17/317,053 2021-05-11
US17/317,053 US11580671B2 (en) 2020-08-17 2021-05-11 Hash-based attribute prediction for point cloud coding
PCT/US2021/035467 WO2022039815A1 (en) 2020-08-17 2021-06-02 Hash-based attribute prediction for point cloud coding

Publications (1)

Publication Number Publication Date
CN114651192A true CN114651192A (zh) 2022-06-21

Family

ID=80222864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180006257.6A Pending CN114651192A (zh) 2020-08-17 2021-06-02 用于点云编解码的基于哈希的属性预测

Country Status (6)

Country Link
US (1) US11580671B2 (zh)
EP (1) EP4031907A4 (zh)
JP (1) JP7395740B2 (zh)
KR (1) KR102625790B1 (zh)
CN (1) CN114651192A (zh)
WO (1) WO2022039815A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102467A (zh) * 2020-07-22 2020-12-18 深圳市菲森科技有限公司 一种基于gpu的并行八叉树生成、装置及电子设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113811922A (zh) * 2019-07-01 2021-12-17 Oppo广东移动通信有限公司 点云模型重建方法、编码器、解码器、及存储介质
US20220284633A1 (en) * 2021-03-05 2022-09-08 Tencent America LLC Method and apparatus for constructing a 3d geometry
US12003768B2 (en) * 2021-04-05 2024-06-04 Qualcomm Incorporated Residual coding for geometry point cloud compression
US20230334702A1 (en) * 2022-04-15 2023-10-19 Meta Platforms Technologies, Llc Hardware Encoder for Color Data in a 2D Rendering Pipeline
US11882295B2 (en) 2022-04-15 2024-01-23 Meta Platforms Technologies, Llc Low-power high throughput hardware decoder with random block access

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8661005B2 (en) * 2011-12-08 2014-02-25 International Business Machines Corporation Optimized deletion and insertion for high-performance resizable RCU-protected hash tables
US9619478B1 (en) * 2013-12-18 2017-04-11 EMC IP Holding Company LLC Method and system for compressing logs
US9894370B2 (en) * 2014-03-24 2018-02-13 Qualcomm Incorporated Generic use of HEVC SEI messages for multi-layer codecs
US10140581B1 (en) * 2014-12-22 2018-11-27 Amazon Technologies, Inc. Conditional random field model compression
US10255287B2 (en) * 2015-07-31 2019-04-09 Hiveio Inc. Method and apparatus for on-disk deduplication metadata for a deduplication file system
CN111615706A (zh) 2017-11-17 2020-09-01 脸谱公司 基于子流形稀疏卷积神经网络分析空间稀疏数据
US11023430B2 (en) * 2017-11-21 2021-06-01 Oracle International Corporation Sparse dictionary tree
US10783668B2 (en) 2017-12-22 2020-09-22 Samsung Electronics Co., Ltd. Handling duplicate points in point cloud compression
US10547679B1 (en) * 2018-01-02 2020-01-28 Architecture Technology Corporation Cloud data synchronization based upon network sensing
US10706611B2 (en) 2018-06-15 2020-07-07 Beijing Jingdong Shangke Information Technology Co., Ltd. Three-dimensional representation by multi-scale voxel hashing
US11057631B2 (en) 2018-10-10 2021-07-06 Intel Corporation Point cloud coding standard conformance definition in computing environments
US10990478B2 (en) * 2019-02-01 2021-04-27 Fungible, Inc. Flexible reliability coding for storage on a network
US10762667B2 (en) 2018-11-30 2020-09-01 Point Cloud Compression, B.V. Method and apparatus for compression of point cloud data
US11151265B2 (en) * 2019-04-29 2021-10-19 International Business Machines Corporation Secure data storage based on obfuscation by distribution
JP7328447B2 (ja) 2019-10-03 2023-08-16 エルジー エレクトロニクス インコーポレイティド ポイントクラウドデータ送信装置、ポイントクラウドデータ送信方法、ポイントクラウドデータ受信装置及びポイントクラウドデータ受信方法
US11321905B2 (en) * 2020-04-03 2022-05-03 Qualcomm Incorporated Error concealment in split rendering
US11438628B2 (en) 2020-06-03 2022-09-06 Tencent America LLC Hash-based accessing of geometry occupancy information for point cloud coding
US11321878B2 (en) * 2020-06-26 2022-05-03 Sony Group Corporation Decoded tile hash SEI message for V3C/V-PCC
US20220207780A1 (en) * 2020-12-29 2022-06-30 Qualcomm Incorporated Inter prediction coding for geometry point cloud compression
US20220284633A1 (en) 2021-03-05 2022-09-08 Tencent America LLC Method and apparatus for constructing a 3d geometry

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102467A (zh) * 2020-07-22 2020-12-18 深圳市菲森科技有限公司 一种基于gpu的并行八叉树生成、装置及电子设备
CN112102467B (zh) * 2020-07-22 2024-05-24 深圳市菲森科技有限公司 一种基于gpu的并行八叉树生成、装置及电子设备

Also Published As

Publication number Publication date
WO2022039815A1 (en) 2022-02-24
JP2023503458A (ja) 2023-01-30
US20220050816A1 (en) 2022-02-17
EP4031907A4 (en) 2022-12-07
KR102625790B1 (ko) 2024-01-15
KR20220051209A (ko) 2022-04-26
US11580671B2 (en) 2023-02-14
EP4031907A1 (en) 2022-07-27
JP7395740B2 (ja) 2023-12-11

Similar Documents

Publication Publication Date Title
US11580671B2 (en) Hash-based attribute prediction for point cloud coding
JP7467630B2 (ja) 点群コーディングのための方法、コンピュータプログラム、システム、および非一時的コンピュータ読み取り可能媒体
US11816869B2 (en) Updates on context modeling of occupancy coding for point cloud coding
US11438628B2 (en) Hash-based accessing of geometry occupancy information for point cloud coding
US20240013445A1 (en) Coding of multiple-component attributes for point cloud coding
AU2021257883B2 (en) Context modeling of occupancy coding for pointcloud coding
KR20220046681A (ko) 포인트 클라우드에 대한 예측 트리-기반 기하학적 코딩
RU2784416C1 (ru) Кодирование многокомпонентных атрибутов для кодирования облака точек

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: 40072094

Country of ref document: HK