CN115239563A - 一种基于神经网络的点云属性有损压缩装置及方法 - Google Patents
一种基于神经网络的点云属性有损压缩装置及方法 Download PDFInfo
- Publication number
- CN115239563A CN115239563A CN202210928365.5A CN202210928365A CN115239563A CN 115239563 A CN115239563 A CN 115239563A CN 202210928365 A CN202210928365 A CN 202210928365A CN 115239563 A CN115239563 A CN 115239563A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- module
- features
- feature
- attribute
- 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- Withdrawn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
- 238000007906 compression Methods 0.000 title claims abstract description 48
- 230000006835 compression Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 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
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于神经网络的点云属性有损压缩装置及方法，包括编码压缩和解码重建两个部分。其中编码压缩部分包括下采样、特征提取和特征融合三个步骤，首先分别对点云的特征和坐标进行下采样，然后提取点云特征，最后将深层的点云特征与浅层的点云属性进行融合。解码重建部分包括特征融合、特征提取和上采样三个步骤，首先对编码压缩部分得到的码流进行解码，然后将点云属性和点云特征进行融合，再多次对融合后的特征进行特征提取与上采样操作，以得到重建点云。本发明所提出的方法能够将点云属性用一个紧密的特征表示，从而以较少的数据量进行传输，并对点云进行重建，恢复点云属性。
Description
技术领域
本发明属于点云压缩技术领域，具体涉及一种基于神经网络的点云属性有损压缩装置及方法。
背景技术
点云作为三维空间中对象的有效表示，可以被三维传感器广泛地捕捉，其中每个点都具有对应的坐标和其他相关属性，例如颜色、反射率等，因此点云可以真实有效地表示任意三维对象。目前，点云已经被广泛应用于自动驾驶、智能城市、虚拟现实、增强现实等场景。由于点云通常包括数百万个甚至更多的点，这为点云的高效存储和传输带来了巨大的挑战。因此需要一种高效的点云压缩框架，尤其是针对具有多种属性的点云。MovingPicture Experts Group(MPEG)所提供的传统点云压缩标准Geometry-based Point CloudCompression(G-PCC)中有三种属性编码方法：区域自适应分层变换(RAHT)编码、基于插值的分层近邻预测(Predicting Transform)和基于插值的带更新/提升步长的分层近邻预测(Lifting Transform)。
随着人工智能技术的不断发展，结合深度神经网络的点云属性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点云属性压缩方法主要有基于点的学习、基于投影的学习和基于体素的学习三种。其中基于点的学习方法可以直接处理点云，但往往难以提取有效的特征，因此性能较差；基于投影的学习方法通过学习基于神经网络的映射函数，将三维点云转换为二维网格，然后应用传统的图像编解码器对投影属性进行编码，这种方法的模型泛化性较差；基于体素的学习方法通过将坐标格式的原始数据转换为体素来处理，可以从几何角度提取点云特征，往往压缩性能较好，因此受到了广泛关注。现有技术中，基于神经网络的点云属性压缩方法主要使用自动编码器的结构，并假设点云几何坐标已经被无损压缩，但是存在仅从单一的特征空间上提取信息，无法捕获更加全面的细节的问题。
发明内容
针对现有技术的不足，本发明提出了一种基于神经网络的点云属性有损压缩装置及方法，利用体素学习方法具有充分几何信息的优势，在编码端对点云数据的属性与特征进行融合，获得更加紧密的点云特征，提升点云重建质量。
一种基于神经网络的点云属性有损压缩装置，包括编码压缩端和解码重建端。
所述编码压缩端包括第一下采样模块、第一特征提取模块、第二下采样模块、第一特征融合模块、熵编码模块和G-PCC编码模块。
所述第二下采样模块通过平均池化对原始点云进行下采样，输出浅层的点云属性。第一下采样模块和第一特征提取模块通过稀疏卷积对原始点云进行下采样和特征提取，得到浅层的点云特征，然后对浅层的点云特征重复进行下采样和特征提取，得到深层的点云特征。第一特征融合模块用于对浅层的点云属性和深层的点云特征进行融合，得到融合后的点云特征。熵编码模块和G-PCC编码模块分别将融合后的点云特征和浅层的点云属性压缩成码流。
所述解码重建端包括第二特征融合模块、第二特征提取模块和上采样模块。
所述第二特征融合模块接收解压后的点云特征和点云属性，进行属性与特特征的融合后，输出融合结果。第二特征提取模块和上采样模块用于对第二特征融合模块输出的融合结果进行多次特征提取和上采样，输出重建点云。
一种基于神经网络的点云属性有损压缩方法，包括编码压缩和解码重建，具体包括以下步骤：
步骤一、编码压缩
s1.1、通过平均池化操作对原始点云进行下采样，得到浅层的点云属性。
s1.2、通过稀疏卷积操作对原始点云进行下采样，再进行特征提取操作，得到浅层的点云特征；对浅层的点云特征重复K-1次下采样和特征提取，得到深层的点云特征。
s1.3、将s1.1得到的浅层点云属性与s1.2得到的深层点云特征进行融合，得到融合的点云特征。
s1.4、对s1.1得到的浅层点云属性进行G-PCC编码，对s1.3得到的融合的点云特征进行熵编码，完成编码压缩过程。
步骤二、解码重建
s2.1、将s1.4压缩后的点云特征和点云属性分别解压，得到解压的点云特征和点云属性。
s2.2、将s2.1解压后的点云特征与点云属性融合，得到融合后的点云特征。
s2.3、对s2.2融合后的点云特征进行K次的特征提取和上采样操作，得到重建点云。
本发明具有以下有益效果：
使用神经网络同时捕获浅层的点云属性和深层的点云特征可以通过特征融合互相提供不同程度的点云细节，使得提取到的信息更加全面，从而提升压缩效率，在同等码率下重建质量更高。
附图说明
图1为一种基于神经网络的点云属性有损压缩装置结构示意图；
图2为一种基于神经网络的点云属性有损压缩方法流程图；
图3为实施例1中第二下采样模块示意图；
图4为实施例1中第一下采样模块示意图；
图5为实施例1中第一特征提取模块示意图；
图6为实施例1中第一特征融合模块示意图；
图7为实施例1中熵编码模块示意图；
图8为实施例1中G-PCC编码模块示意图；
图9为实施例1中第二特征融合模块示意图；
图10为实施例1中第二特征提取模块示意图；
图11为实施例1上采样模块示意图。
图12为实施例2中第一特征提取模块示意图；
图13为实施例2中KNN-Transformer模块示意图；
图14为实施例2中KNN模块示意图；
图15为实施例2中自注意力模块示意图；
图16为实施例3中第一特征融合模块示意图；
图17为实施例4中第二特征融合模块示意图；
图18为实施例5中第二特征提取模块示意图。
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；
如图1所示，一种基于神经网络的点云属性有损压缩装置，包括编码压缩端100和解码重建端300。
所述编码压缩端100包括第一下采样模块101、第一特征提取模块103、第二下采样模块102、第一特征融合模块104、熵编码模块201和G-PCC编码模块202。
所述第二下采样模块102通过平均池化对原始点云进行下采样，输出浅层的点云属性。第一下采样模块101和第一特征提取模块103通过稀疏卷积对原始点云进行下采样和特征提取，得到浅层的点云特征，然后对浅层的点云特征重复进行下采样和特征提取，得到深层的点云特征。第一特征融合模块104用于对浅层的点云属性和深层的点云特征进行融合，得到融合后的点云特征。熵编码模块201和G-PCC编码模块202分别将融合后的点云特征和浅层的点云属性压缩成码流。
所述解码重建端300包括第二特征融合模块301、第二特征提取模块302和上采样模块303。
所述第二特征融合模块302接收解压后的点云特征和点云属性，进行属性与特特征的融合后，输出融合结果。第二特征提取模块302和上采样模块303用于对第二特征融合模块301输出的融合结果进行多次特征提取和上采样，输出重建点云。
实施例1
收集公开的点云数据集，利用如图2所示一种基于神经网络的点云属性有损压缩方法，进行点云的编码压缩和解码重建，具体包括以下步骤：
步骤一、编码压缩
s1.1、建立如图3所示的第二下采样模块102，通过平均池化操作对数量为N的原始点云进行下采样，得到维度为M×3浅层的点云属性。
s1.2、建立如图4、图5所示的第一下采样模块101和第一特征提取模块103，通过稀疏卷积下采样对原始点云进行下采样，再通过稀疏卷积进行特征提取操作，得到浅层的点云特征；对浅层的点云特征重复K-1次下采样和特征提取，得到维度为M×C的深层的点云特征。
s1.3、建立如图6所示的第一特征融合模块104，通过稀疏卷积对s1.1得到的浅层点云属性处理后，与s1.2得到的深层点云特征进行拼接，再通过稀疏卷积处理，得到维度为M×C的融合的点云特征。
s1.4、建立如图8所示的G-PCC编码模块202，通过区域自适应分层变换编码方法将s1.1得到的浅层点云属性压缩成码流；建立如图8所示的熵编码模型201，对s1.3得到的融合的点云特征进行熵编码，完成编码压缩过程。
步骤二、解码重建
s2.1、将s1.4压缩后的点云特征和点云属性分别解压，得到解压的点云特征和点云属性。
s2.2、建立如图9所示的第二特征融合模块302，通过稀疏卷积对s2.1解压后的点云特征、点云属性进行处理，然后与解压后的点云属性进行融合，得到维度为M×C的融合后的点云特征。
s2.3、建立如图10、11所示的第二特征提取模块302、上采样模块303，将s2.2融合后的点云特征与经过稀疏卷积处理的融合点云特征相加，再通过稀疏卷积上采样操作，再重复K-1次特征提取与上采样操作后得到数量为N的重建点云。
实施例2
本实施例提供如图12所示的第一特征提取模块103进行编码压缩端的特征提取。所述第一特征提取模块103通过稀疏卷积和KNN-Transformer模块提取点云特征。如图13所示，KNN-Transformer模块的输入数据依次通过KNN模块与自注意力模块后，与KNN模块的输出相加，得到的结果与通过归一化、线性层处理后的结果相加，再通过归一化层，完成一次特征提取。
如图14所示，对于坐标维度为P×3、特征维度为P×256的输入数据，所述KNN模块通过KNN算法进行聚合，分别得到当前点及其距离最近的16个点的坐标与特征，合并得到维度为P×3×16的聚合坐标，以及维度为P×256×16的聚合特征，随后通过线性层对聚合坐标进行处理，得到与聚合特征通道数相同的坐标嵌入信息，然后将坐标嵌入信息与聚合特征相加，得到嵌入坐标信息的聚合特征，达到将坐标嵌入到聚合特征中的目的。
如图15所示，所述自注意力模块采用多头注意力机制，针对输入数据进行线性变换得到四组Key矩阵，针对嵌入坐标信息的聚合特征进行线性变换得到四组Query矩阵和四组Value矩阵，将每组Query矩阵转置后与对应的Key矩阵进行矩阵叉乘，再将计算结果通过softmax层后与各自对应的Value矩阵进行叉乘，最后将四组结果进行拼接，从而得到自注意力模块的输出。
实施例3
本实施例提供如图16所示的第一特征融合模块104进行编码压缩端的特征融合。所述第一特征融合模块104通过稀疏卷积对s1.1得到的浅层点云属性与s1.2得到的深层点云特征进行处理后，与s1.2得到的深层点云特征进行拼接，将拼接结果通过稀疏卷积后与s1.2得到的深层点云特征相加，得到维度为M×C的融合的点云特征。
实施例4
本实施例提供如图17所示的第二特征融合模块301进行解码重建端的特征融合。首先通过稀疏卷积对s2.1解压后的点云特征、点云属性进行处理，然后与解压后的点云属性进行融合，将融合结果通过稀疏卷积处理后，再与s2.1解压后的点云特征相加，得到融合后的点云特征。
实施例5
本实施例提供如图18所示的第二特征提取模块302进行解码重建端的特征提取。所述第二特征提取模块302将输入数据与经过稀疏卷积和KNN-Transformer模块处理后的输入数据相加，完成一次特征提取。
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 (8)
1.一种基于神经网络的点云属性有损压缩装置，其特征在于：包括编码压缩端和解码重建端；
所述编码压缩端包括第一下采样模块、第一特征提取模块、第二下采样模块、第一特征融合模块、熵编码模块和G-PCC编码模块；
所述第二下采样模块通过平均池化对原始点云进行下采样，输出浅层的点云属性；第一下采样模块和第一特征提取模块通过稀疏卷积对原始点云进行下采样和特征提取，得到浅层的点云特征，然后对浅层的点云特征重复进行下采样和特征提取，得到深层的点云特征；第一特征融合模块用于对浅层的点云属性和深层的点云特征进行融合，得到融合后的点云特征；熵编码模块和G-PCC编码模块分别将融合后的点云特征和浅层的点云属性压缩成码流；
所述解码重建端包括第二特征融合模块、第二特征提取模块和上采样模块；
所述第二特征融合模块接收解压后的点云特征和点云属性，进行属性与特特征的融合后，输出融合结果；第二特征提取模块和上采样模块用于对第二特征融合模块输出的融合结果进行多次特征提取和上采样，输出重建点云。
2.如权利要求1所述一种基于神经网络的点云属性有损压缩装置，其特征在于：所述第一特征融合模块通过稀疏卷积对浅层点云属性进行处理后，与深层点云特征进行拼接，再通过稀疏卷积处理，得到融合的点云特征。
3.如权利要求1所述一种基于神经网络的点云属性有损压缩装置，其特征在于：所述第一特征融合模块通过稀疏卷积对浅层点云属性与深层点云特征进行处理后，与深层点云特征进行拼接，将拼接结果通过稀疏卷积后再与深层点云特征相加，得到融合的点云特征。
4.如权利要求1所述一种基于神经网络的点云属性有损压缩装置，其特征在于：所述第一特征提取模块通过稀疏卷积和KNN-Transformer模块提取点云特征；KNN-Transformer模块的输入数据依次通过KNN模块与自注意力模块后，与KNN模块的输出相加，得到的结果与通过归一化、线性层处理后的结果相加，再通过归一化层，完成一次特征提取。
5.如权利要求4所述一种基于神经网络的点云属性有损压缩装置，其特征在于：所述KNN模块通过KNN算法对输入数据的坐标和特征分别进行聚合，得到聚合坐标与聚合特征，随后通过线性层对聚合坐标进行处理，得到与聚合特征通道数相同的坐标嵌入信息，然后将坐标嵌入信息与聚合特征相加，得到嵌入坐标信息的聚合特征；
所述自注意力模块采用多头注意力机制，针对输入数据进行线性变换得到四组Key矩阵，针对嵌入坐标信息的聚合特征进行线性变换得到四组Query矩阵和四组Value矩阵，将每组Query矩阵转置后与对应的Key矩阵进行矩阵叉乘，再将计算结果通过softmax层后与对应的Value矩阵进行叉乘，最后将四组结果进行拼接，得到自注意力模块的输出。
6.如权利要求1所述一种基于神经网络的点云属性有损压缩装置，其特征在于：所述第二特征融合模块首先通过稀疏卷积对解压后的点云特征、点云属性进行处理，然后将处理结果与解压后的点云属性进行融合，将融合结果通过稀疏卷积处理后，再与解压后的点云特征相加，得到解码重建端融合后的点云特征。
7.如权利要求4任一所述一种基于神经网络的点云属性有损压缩装置，其特征在于：所述第二特征提取模块将输入数据与经过稀疏卷积和KNN-Transformer模块处理后的输入数据相加，完成解码重建端的一次特征提取。
8.一种基于神经网络的点云属性有损压缩方法，其特征在于：利用权利要求1～7任一所述的一种基于神经网络的点云属性有损压缩装置实现点云的压缩重建，具体包括以下步骤：
步骤一、编码压缩
s1.1、通过平均池化操作对原始点云进行下采样，得到浅层的点云属性；
s1.2、通过稀疏卷积操作对原始点云进行下采样，再进行特征提取操作，得到浅层的点云特征；对浅层的点云特征重复K-1次下采样和特征提取，得到深层的点云特征；
s1.3、将s1.1得到的浅层点云属性与s1.2得到的深层点云特征进行融合，得到融合的点云特征；
s1.4、对s1.1得到的浅层点云属性进行G-PCC编码，对s1.3得到的融合的点云特征进行熵编码，完成编码压缩过程；
步骤二、解码重建
s2.1、将s1.4压缩后的点云特征和点云属性分别解压，得到解压的点云特征和点云属性；
s2.2、将s2.1解压后的点云特征与点云属性融合，得到融合后的点云特征；
s2.3、对s2.2融合后的点云特征进行K次的特征提取和上采样操作，得到重建点云。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210928365.5A CN115239563A (zh) | 2022-08-03 | 2022-08-03 | 一种基于神经网络的点云属性有损压缩装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210928365.5A CN115239563A (zh) | 2022-08-03 | 2022-08-03 | 一种基于神经网络的点云属性有损压缩装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115239563A true CN115239563A (zh) | 2022-10-25 |
Family
ID=83678024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210928365.5A Withdrawn CN115239563A (zh) | 2022-08-03 | 2022-08-03 | 一种基于神经网络的点云属性有损压缩装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115239563A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422387A (zh) * | 2022-11-04 | 2022-12-02 | 山东矩阵软件工程股份有限公司 | 基于多维点云融合数据的点云数据处理方法及系统 |
-
2022
- 2022-08-03 CN CN202210928365.5A patent/CN115239563A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422387A (zh) * | 2022-11-04 | 2022-12-02 | 山东矩阵软件工程股份有限公司 | 基于多维点云融合数据的点云数据处理方法及系统 |
| CN115422387B (zh) * | 2022-11-04 | 2023-02-24 | 山东矩阵软件工程股份有限公司 | 基于多维点云融合数据的点云数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Octsqueeze: Octree-structured entropy model for lidar compression | |
| Wang et al. | Towards analysis-friendly face representation with scalable feature and texture compression | |
| CN112330681A (zh) | 一种基于注意力机制的轻量级网络实时语义分割方法 | |
| CN109949222B (zh) | 基于语义图的图像超分辨率重建方法 | |
| WO2020237646A1 (zh) | 图像处理方法、设备及计算机可读存储介质 | |
| CN113613010A (zh) | 基于稀疏卷积神经网络的点云几何无损压缩方法 | |
| CN113284203B (zh) | 基于八叉树编码和体素上下文的点云压缩及解压缩方法 | |
| CN114373023A (zh) | 一种基于点的点云几何有损压缩重建装置与方法 | |
| WO2024164694A9 (zh) | 图像压缩方法、装置、电子设备、计算机程序产品及存储介质 | |
| CN114979672A (zh) | 视频编码方法、解码方法、电子设备及存储介质 | |
| CN116016953A (zh) | 一种基于深度熵编码的动态点云属性压缩方法 | |
| CN117651138A (zh) | 基于边界感知分割网络的图像压缩方法及系统 | |
| CN115239563A (zh) | 一种基于神经网络的点云属性有损压缩装置及方法 | |
| CN115393452A (zh) | 一种基于非对称自编码器结构的点云几何压缩方法 | |
| CN113362239A (zh) | 一种基于特征交互的深度学习图像修复方法 | |
| CN117522882A (zh) | 一种基于几何特征聚合和自适应融合的点云分割方法 | |
| CN111080729B (zh) | 基于Attention机制的训练图片压缩网络的构建方法及系统 | |
| CN111479286A (zh) | 一种边缘计算系统减少通信流量的数据处理方法 | |
| CN105828087A (zh) | 一种基于光学小波及压缩感知的图像压缩系统 | |
| CN114554220B (zh) | 一种基于抽象特征的固定场景视频超限压缩与解码方法 | |
| CN113422965A (zh) | 一种基于生成对抗网络的图像压缩方法及装置 | |
| CN115589492A (zh) | 基于Transformer的点云几何压缩装置及方法 | |
| Li et al. | Image compression algorithm research based on improved LSTM | |
| CN115147697B (zh) | 深度学习多任务特征编码方法及其系统 | |
| CN117915107B (zh) | 图像压缩系统、图像压缩方法、存储介质与芯片 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221025 |