CN117751574A - 解码方法、编码方法、解码器以及编码器 - Google Patents
解码方法、编码方法、解码器以及编码器 Download PDFInfo
- Publication number
- CN117751574A CN117751574A CN202180101210.8A CN202180101210A CN117751574A CN 117751574 A CN117751574 A CN 117751574A CN 202180101210 A CN202180101210 A CN 202180101210A CN 117751574 A CN117751574 A CN 117751574A
- Authority
- CN
- China
- Prior art keywords
- neighbor points
- current point
- attribute
- weights
- point cloud
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000002310 reflectometry Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 26
- 108091026890 Coding region Proteins 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 description 31
- 238000007906 compression Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 101150116295 CAT2 gene Proteins 0.000 description 3
- 101100326920 Caenorhabditis elegans ctl-1 gene Proteins 0.000 description 3
- 101100126846 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) katG gene Proteins 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 101100208039 Rattus norvegicus Trpv5 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101000638069 Homo sapiens Transmembrane channel-like protein 2 Proteins 0.000 description 1
- 241000023320 Luma <angiosperm> Species 0.000 description 1
- 101150019148 Slc7a3 gene Proteins 0.000 description 1
- 102100032054 Transmembrane channel-like protein 2 Human genes 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种解码方法、编码方法、解码器以及编码器,该解码方法包括:对当前点云的码流进行解析,得到该当前点云的几何信息;针对该当前点云中待解码的当前点,基于该几何信息,确定该当前点云的属性信息的解码顺序,获取该解码顺序中的位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点;基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。该解码方法能够提升解码器对当前点的预测准确度。
Description
本申请实施例涉及编解码技术领域,并且更具体地,涉及解码方法、编码方法、解码器以及编码器。
点云已经开始普及到各个领域,例如,虚拟/增强现实、机器人、地理信息系统、医学领域等。随着扫描设备的基准度和速率的不断提升,可以准确地获取物体表面的大量点云,往往一个场景下就可以对应几十万个点。数量如此庞大的点也给计算机的存储和传输带来了挑战。因此,对点的压缩也就成为一个热点问题。
对于点云的压缩来说,主要需要压缩其位置信息和属性信息。具体而言,先通过对点云的位置信息进行八叉树编码;同时,根据八叉树编码后的当前点的位置信息在已编码的点中选择出用于预测当前点属性信息的预测值的点后,基于选择出的点对其属性信息进行预测,再通过与属性信息的原始值进行做差的方式来编码颜色信息,以实现对点云的编码。
截止目前,在对属性信息进行预测的过程中,如何在提升针对属性信息的预测准确度是本领域急需解决的技术问题。
发明内容
本申请实施例提供了一种解码方法、编码方法、解码器以及编码器,能够提升针对属性信息的预测准确度。
第一方面,本申请提供了一种解码方法,包括:
对当前点云的码流进行解析,得到该当前点云的几何信息;
针对该当前点云中待解码的当前点,基于该几何信息,确定该当前点云的属性信息的解码顺序;
获取所述解码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
第二方面,本申请提供了一种编码方法,包括:
获取当前点云的几何信息;
针对该当前点云中待编码的当前点,基于该几何信息,确定该当前点云的属性信息的编码顺序;
获取所述编码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
第三方面,本申请提供了一种解码器,包括:
解析单元,用于对当前点云的码流进行解析,得到该当前点云的几何信息;
预测单元,用于:
针对该当前点云中待解码的当前点,基于该几何信息,确定该当前点云的属性信息的解码顺序;
获取所述解码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
第四方面,本申请提供了一种编码器,包括:
获取单元,用于获取当前点云的几何信息;
预测单元,用于:
针对该当前点云中待编码的当前点,基于该几何信息,确定该当前点云的属性信息的编码顺序;
获取所述编码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
基于以上技术方案,解码器可利用当前点的n个第一邻居点之前的m个第二邻居点的属性重建值,确定用于对当前点的进行预测的n个第一邻居点的属性信息的权重,也即是说,在利用当前点的n个第一邻居点的属性重建值确定该当前点的属性预测值的基础上,还考虑到了与该n个第一邻居点之前的m个第二邻居点的属性信息对该n个第一邻居点的属性信息的权重的影响,实现了该n个第一邻居点的属性信息的权重的计算方法进行优化,能够该n个第一邻居点的属性信息的权重的准确度,进而能够提升解码器对当前点的预测准确度。
图1是本申请实施例提供的点云图像的示例。
图2是图1所示的点云图像的局部放大图。
图3是本申请实施例提供的具有的六个观看角度的点云图像的示例。
图4是本申请实施例提供的编码框架的示意性框图。
图5是本申请实施例提供的解码框架的示意性框图。
图6是本申请实施例提供的包围盒的示例。
图7是本申请实施例提供的对包围盒进行八叉树划分的示例。
图8至图10示出了莫顿码在二维空间中的编码顺序。
图11示出了莫顿码在三维空间中的编码顺序。
图12是本申请实施例提供的解码方法的示意性流程图。
图13是本申请实施例提供的编码方法的示意性流程图。
图14是本申请实施例提供的解码器的示意性框图。
图15是本申请实施例提供的编码器的示意性框图。
图16是本申请实施例提供的编解码设备的示意性框图。
下面将结合附图,对本申请实施例中的技术方案进行描述。
点云(Point Cloud)是空间中一组无规则分布的、表达三维物体或三维场景的空间结构及表面属性的离散点集。图1和图2分别示出了三维点云图像和局部放大图,可以看到点云表面是由分布稠密的点所组成的。
二维图像在每一个像素点均有信息表达,分布规则,因此不需要额外记录其位置信息;然而点云中的点在三维空间中的分布具有随机性和不规则性,因此需要记录每一个点在空间中的位置,才能完整地表达一幅点云。与二维图像类似,采集过程中每一个位置均有对应的属性信息,通常为RGB颜色值,颜色值反映物体的色彩;对于点云来说,每一个点所对应的属性信息除了颜色以外,还有比较常见的是反射率(reflectance)值,反射率值反映物体的表面材质。因此,点云数据通常包括三维位置信息所组成的几何信息(x,y,z)和三维颜色信息(r,g,b)、一维反射率信息(r)所组成的属性信息。
换言之,点云中每个点可以包括几何信息和属性信息,其中,点云中每个点的几何信息是指该点的笛卡尔三维坐标数据,点云中每个点的属性信息可以包括但不限于以下至少一种:颜色信息、材质信息、激光反射强度信息。颜色信息可以是任意一种色彩空间上的信息。例如,颜色信息可以是红绿蓝(Red Green Blue,RGB)信息。再如,颜色信息还可以是亮度色度(YCbCr,YUV)信息。其中,Y表示明亮度(Luma),Cb(U)表示蓝色色度分量,Cr(V)表示红色色度分量。点云中的每个点都具有相同数量的属性信息。例如,点云中的每个点都具有颜色信息和激光反射强度两种属性信息。再如,点云中的每个点都具有颜色信息、材质信息和激光反射强度信息三种属性信息。
点云图像可具有的多个观看角度,例如,如图3所示的点云图像可具有的六个观看角度,点云图像对应的数据存储格式由文件头信息部分和数据部分组成,头信息包含了数据格式、数据表示类型、点云总点数、以及点云所表示的内容。
作为示例,点云图像的数据存储格式可实现为以下格式:
ply
format ascii 1.0
element vertex 207242
property float x
property float y
property float z
property uchar red
property uchar green
property uchar blue
75 318 0 0 142 0
75 319 0 0 143 0
75 319 1 1 9 9
75 315 0 1 9 9
针对上述点云图像的数据存储格式,其数据格式为“.ply”格式,由ASCII码表示,总点数为207242,每个点具有三维位置信息xyz和三维颜色信息rgb。
点云可以灵活方便地表达三维物体或场景的空间结构及表面属性,并且由于点云通过直接对真实物体采样获得,在保证精度的前提下能提供极强的真实感,因而应用广泛,其范围包括虚拟现实游戏、计算机辅助设计、地理信息系统、自动导航系统、数字文化遗产、自由视点广播、三维沉浸远程呈现、生物组织器官三维重建等。
基于应用场景可以将点云划分为两大类别,即机器感知点云和人眼感知点云。机器感知点云的应用场景包括但不限于:自主导航系统、实时巡检系统、地理信息系统、视觉分拣机器人、抢险救灾机器人等点云应用场景。人眼感知点云的应用场景包括但不限于:数字文化遗产、自由视点广播、三维沉浸通信、三维沉浸交互等点云应用场景。相应的,可以基于点云的获取方式,将点云划分为密集型点云和稀疏型点云;也可基于点云的获取途径将点云划分为静态点云和动态点云,更具体可划分为三种类型的点云,即第一静态点云、第二类动态点云以及第三类动态获取点云。针对第一静态点云,物体是静止的,且获取点云的设备也是静止的;针对第二类动态点云,物体是运动的,但获取点云的设备是静止的;针对第三类动态获取点云,获取点云的设备是运动的。
点云的采集主要有以下途径:计算机生成、3D激光扫描、3D摄影测量等。计算机可以生成虚拟三维物体及场景的点云;3D激光扫描可以获得静态现实世界三维物体或场景的点云,每秒可以获取百万级点云;3D摄影测量可以获得动态现实世界三维物体或场景的点云,每秒可以获取千万级点云。具体而言,可通过光电雷达、激光雷达、激光扫描仪、多视角相机等采集设备,可以采集得到物体表面的点云。根据激光测量原理得到的点云,其可以包括点的三维坐标信息和点的激光反射强度(reflectance)。根据摄影测量原理得到的点云,其可以可包括点的三维坐标信息和点的颜色信息。结合激光测量和摄影测量原理得到点云,其可以可包括点的三维坐标信息、点的激光反射强度(reflectance)和点的颜色信息。这些技术降低了点云数据获取成本和时间周期,提高了数据的精度。例如,在医学领域,由磁共振成像(magnetic resonance imaging,MRI)、计算机断层摄影(computed tomography,CT)、电磁定位信息,可以获得生物组织器官的点云。这些技术降低了点云的获取成本和时间周期,提高了数据的精度。点云数据获取方式的变革,使大量点云数据的获取成为可能,伴随着应用需求的增长,海量3D点云数据的处理遭遇存储空间和传输带宽限制的瓶颈。
以帧率为30fps(帧每秒)的点云视频为例,每帧点云的点数为70万,其中,每帧点云中的每一个点具有坐标信息xyz(float)和颜色信息RGB(uchar),则10s点云视频的数据量大约为0.7million·(4Byte·3+1Byte·3)·30fps·10s=3.15GB,而YUV采样格式为4:2:0,帧率为24fps的1280×720二维视频,其10s的数据量约为1280·720·12bit·24frames·10s≈0.33GB,10s的两视角3D视频的数据量约为0.33·2=0.66GB。由此可见,点云视频的数据量远超过相同时长的二维视频和三维视频的数据量。因此,为更好地实现数据管理,节省服务器存储空间,降低服务器与客户端之间的传输流量及传输时间,点云压缩成为促进点云产业发展的关键问题。
点云压缩一般采用点云几何信息和属性信息分别压缩的方式,在编码端,首先在几何编码器中编码点云几何信息,然后将重建几何信息作为附加信息输入到属性编码器中,辅助点云属性的压缩;在解码端,首先在几何解码器中解码点云几何信息,然后将解码后的几何信息作为附加信息输入到属性解码器中,辅助点云属性的压缩。整个编解码器由预处理/后处理、几何编码/解码、属性编码/解码几部分组成。
点云可通过各种类型的编码框架和解码框架分别进行编码和解码。作为示例,编解码框架可以是运动图象专家组(Moving Picture Experts Group,MPEG)提供的几何点云压缩(Geometry Point Cloud Compression,G-PCC)编解码框架或视频点云压缩(Video Point Cloud Compression,V-PCC)编解码框架,也可以是音视频编码标准(Audio Video Standard,AVS)专题组提供的AVS-PCC编解码框架或点云压缩参考平台(PCRM)框架。G-PCC编解码框架可用于针对第一静态点云和第三类动态获取点云进行压缩,V-PCC编解码框架可用于针对第二类动态点云进行压缩。G-PCC编解码框架也称为点云编解码器TMC13,V-PCC编解码框架也称为点云编解码器TMC2。G-PCC及AVS-PCC均针对静态的稀疏型点云,其编码框架大致相同。下面以PCRM框架为例对本申请实施例可适用的编解码框架进行说明。
图4是本申请实施例提供的编码框架的示意性框图。
如图4所示,在编码框架中,点云的几何信息和每点所对应的属性信息是分开编码的。
在编码端的几何编码部分,首先,对原始几何信息进行预处理,即通过坐标平移将几何原点归一化到点云空间中的最小值位置,并通过坐标量化将几何信息从浮点数转化为整形,便于后续的规则化处理,由于量化取整使得一部分点的几何信息相同,此时需要决定是否移除重复点,量化和移除重复点属于预处理过程;然后,对规则化的几何信息进行几何编码,即采用八叉树结构对点云空间进行递归划分,每次将当前块划分成八个相同大小的子块,并判断每个子块的占有码字情况,当子块内不包含点时记为空,否则记为非空,在递归划分的最后一层记录所有块的占有码字信息,并进行编码;通过八叉树结构表达的几何信息一方面输入到几何熵编码器中形成几何码流。
此外,几何编码完成后对几何信息进行重建,利用重建的几何信息来对属性信息进行编码。
在属性编码部分,首先,属性编码主要针对颜色、反射率信息进行。首先,判断是否进行颜色空间的转换,如果处理的属性信息为颜色信息,还需要将原始颜色进行颜色空间变换,将其转变成更符合人眼视觉特性的YUV色彩空间;然后,在几何有损编码的情况下,由于几何信息在几何编码之后有所异动,因此需要为几何编码后的每一个点重新分配属性值,使得重建点云和原始点云的属性误差最小,这个过程叫做属性插值或属性重上色;接着,对预处理后属性信息进行属性编码,在属性信息编码中分为属性预测与属性变换;其中属性预测过程指对点云进行重排序以及进行属性预测。重排序的方法有莫顿重排序和希尔伯特(Hilbert)重排序;例如,AVS编码框架中均采用希尔伯特码对点云进行重排序;排序之后的点云使用差分方式进行属性预测,具体地,若当前待编码点与前一个已编码点的几何信息相同,即为重复点,则利用重复点的重建属性值作为当前待编码点的属性预测值,否则对当前待编码点选择前希尔伯特顺序的m个点作为邻居候选点,然后分别计算它们同当前待编码点的几何信息的曼哈顿距离,确定距离最近的n个点作为当前待编码点的邻居点,以距离的倒数作为权重,计算n个邻居的属性的加权平均值,作为当前待编码点的属性预测值。
例如,可通过以下方式得到当前待编码点的属性预测值:
PredR=(1/W
1×ref
1+1/W
2×ref
2+1/W
3×ref
3)/(1/W
1+1/W
2+1/W
3)。
其中,W
1、W
2、W
3分别表示邻居点1、邻居点2、邻居点3与当前待编码点的几何距离,ref
1、ref
2、ref
3分别表示邻居点1、邻居点2、邻居点3的属性重建值。
得到当前待编码点的属性预测值后,基于当前待编码点的属性预测值得到当前待编码点的残差值,残差值为当前待编码点的原始属性值与预测属性值之间的差值;最后对残差值进行量化,将量化残差输入到属性熵编码器中形成属性码流。
图5是本申请实施例提供的解码框架的示意性框图。
如图5所示,在解码端,同样采用几何和属性分别解码的方式。在几何解码部分,首先对几何码流进行熵解码,得到每个点的几何信息,然后按照和几何编码相同的方式构建八叉树结构,结合解码几何重建出坐标变换后的、通过八叉树结构表达的几何信息,一方面将该信息进行坐标反量化和反平移,得到解码几何信息,一方面作为附加信息输入到属性解码器中。在属性解码部分,按照与编码端相同的方式构建莫顿顺序,先对属性码流进行熵解码,得到量化后的残差信息;然后进行反量化,得到点云残差;类似的,按照与属性编码相同的方式,获得当前待解码点的属性预测值,然后将属性预测值与残差值相加,可以恢复出当前待解码点的YUV属性值;最后,经过颜色空间反变换得到解码属性信息。
为便于描述,下面对点云的规则化处理方法进行说明。
由于点云在空间中无规则分布的特性,给编码过程带来挑战,因此采用递归八叉树的结构,如图6所示,将点云中的点规则化地表达成立方体的中心。具体而言,首先将整幅点云放置在一个正方体包围盒内,点云中点的坐标表示为(x
k,y
k,z
k),k=0,…,K-1,其中K是点云的总点数,点云在x、y、z方向上的边界值分别为:
x
min=min(x
0,x
1,…,x
K-1);
y
min=min(y
0,y
1,…,y
K-1);
z
min=min(z
0,z
1,…,z
K-1);
x
max=max(x
0,x
1,…,x
K-1);
y
max=max(y
0,y
1,…,y
K-1);
z
max=max(z
0,z
1,…,z
K-1)。
则包围盒的原点(x
origin,y
origin,z
origin)可以计算如下:
x
origin=int(floor(x
min));
y
origin=int(floor(y
min));
z
origin=int(floor(z
min))。
其中,floor()表示向下取整计算或向下舍入计算。int()表示取整运算。
基于边界值和原点的计算公式,可以计算包围盒在x、y、z方向上的尺寸如下:
BoudingBoxSize_x=int(x
max-x
origin)+1;
BoudingBoxSize_y=int(y
max-y
origin)+1;
BoudingBoxSize_z=int(z
max-z
origin)+1。
如图7所示,得到包围盒在x、y、z方向上的尺寸后,首先对包围盒进行八叉树划分,每次得到八个子块,然后对子块中的非空块(包含点的块)进行再一次的八叉树划分,如此递归划分直到某个深度,将最终大小的非空子块称作体素(voxel),每个voxel中包含一个或多个点,将这些点的几何位置归一化为voxel的中心点,该中心点的属性值取voxel中所有点的属性值的平均值。将点云规则化为空间中的块,有利于点云中点与点的关系描述,进而能够表达特定的编码顺序,确定一定的顺序编码每一个体素(voxel),即编码voxel所代表的点(或称“节点”),一种常用的编码顺序为交叉分离式的莫顿顺序。
图8至图10示出了莫顿码在二维空间中的编码顺序。图11示出了莫顿码在三维空间中的编码顺序。箭头的顺序表示莫顿顺序下点的编码顺序。图8示出了二维空间中2*2个像素的“z”字形莫顿编码顺序,图9示出了二维空间中4个2*2块之间的“z”字形莫顿编码顺序,图10示出了二维空间中4个4*4块之间的“z”字形莫顿编码顺序,组成为整个8*8块的莫顿编码顺序。扩展到三维空间中的莫顿编码顺序如图11所示,图11中展示了16个点,每个“z”字内部,每个“z”与“z”之间的莫顿编码顺序都是先沿x轴方向编码,再沿y轴,最后沿z轴。
点云压缩中的属性帧内预测部分,对于颜色属性,主要参考当前点的相邻点对当前点进行预测,将属性预测值与当前点属性值计算残差信息后经量化等过程,将残差信息传输到解码端;解码端接收并解析码流后,经反变换与反量化等步骤得到残差信息,解码端以相同过程预测得到属性预测值,与残差信息叠加后得到当前点的属性重建值。
图12是本申请实施例提供的解码方法100的示意性流程图。该方法100可由解码器或解码框架执行,例如图5所示的解码框架。
如图12所示,所述解码方法100可包括:
S110,对当前点云的码流进行解析,得到该当前点云的几何信息;
S120,针对该当前点云中待解码的当前点,基于该几何信息,确定该当前点云的属性信息的解码顺序;
S130,获取该解码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
S140,基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
S150,基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
本实施例中,解码器可利用当前点的n个第一邻居点之前的m个第二邻居点的属性重建值,确定用于对当前点的进行预测的n个第一邻居点的属性信息的权重,也即是说,在利用当前点的n个第一邻居点的属性重建值确定该当前点的属性预测值的基础上,还考虑到了与该n个第一邻居点之前的m个第二邻居点的属性信息对该n个第一邻居点的属性信息的权重的影响,实现了该n个第一邻居点的属性信息的权重的计算方法进行优化,能够该n个第一邻居点的属性信息的权重的准确度,进而能够提升解码器对当前点的预测准确度。
解码器得到当前点的属性预测值后,基于当前点的属性预测值得到当前点的残差值,残差值为当前点的原始属性值与预测属性值之间的差值;最后对残差值进行量化,将量化残差输入到属性熵编码器中形成属性码流。
此外,针对本申请提供的技术方案,利用AVS最新的点云压缩平台PCRM3.0上进行了测试,其测试结果如表1~4所示。
表1
表2
表3
表4
如表1至表3所示,“-”代表率失真(Bit distortion,BD-rate)下降,BD-rate代表相同峰值信噪比(Peak Signal to Noise Ratio,PSNR)下的码率差异,BD-rate越小表示编码算法的性能越好。如表1是在限制有损几何(limit-lossy geometry)压缩和有损属性(lossy attributes)压缩的情况下Cat1A至Cat1A+Cat2的各个分量的BD-rate,Cat1A表示仅包括点的反射率信息的点的点云,Cat1B表示仅包括点的颜色信息的点的点云,Cat1B表示仅包括点的颜色信息和反射率信息的点的点云,Cat2表示包括点的反射率信息和其他属性信息的点的点云,Cat3表示包括点的颜色信息和其他属性信息的点的点云。表2是在无损几何(lossless geometry)压缩和有损属性压缩的情况下Cat1A至Cat1A+Cat2的颜色信息的BD-rate。表3是在无损几何压缩和限制有损属性(limit-lossy attributes)压缩的情况下Cat1A至Cat1A+Cat2的各个分量的BD-rate。图4是无损几何压缩和无损属性压缩的情况下Cat1A至Cat1A+Cat2的bpip比率,bpip比率的值越大表示编码算法的性能越好。通过表1至表4可以看出,本申请提供的解码方法具有明显的性能提升。
需要说明的是,本申请对解码顺序的具体实现方式不作限定。例如,所述解码顺序可以是莫顿排序或希勃尔特排序。其中,莫顿排序是通过交叉分离式计算方法,由几何位置生成的莫顿码的顺序;希尔伯特排序是按照希尔伯特曲线在空间中的遍历顺序。
在一些实施例中,该S140可包括:
基于该n个第一邻居点与该当前点的距离,确定该n个第一邻居点分别对应的n个第一权重;
基于该m个第二邻居点的属性重建值,对该n个第一权重中的部分或全部第一权重进行修正,得 到该n个第一邻居点分别对应的n个第二权重;
其中,该S150可包括:
利用该n个第一邻居点的属性重建值分别与该n个第二权重的乘积的和,除以该n个第二权重的和,得到该当前点的属性预测值。
本实施例中,解码器可利用当前点的n个第一邻居点之前的m个第二邻居点的属性重建值,对用于对当前点的进行预测的n个第一邻居点分别对应的n个第一权重进行修正,也即是说,在确定当前点的n个第一邻居点的属性重建值的权重时,不仅考虑了该n个第一邻居点与该当前点的距离,还考虑到了与该n个第一邻居点之前的m个第二邻居点的属性信息对该n个第一邻居点的属性信息的权重的影响,即,同时考虑了该n个第一邻居点的几何分布和m个第二邻居点属性分布对该n个第一邻居点的属性信息的权重的影响,避免了直接以n个第一邻居点和当前点的距离的倒数作为权重对该n个第一邻居点的属性信息进行加权预测得到当前点的属性预测值,实现了该n个第一邻居点的属性信息的权重的计算方法进行优化,能够该n个第一邻居点的属性信息的权重的准确度,进而能够提升解码器对当前点的预测准确度。
示例性地,以该n=3为例,解码器可通过以下公式确定该当前点的属性预测值:
PredR=(1/W
1×cnt
1×ref
1+1/W
2×ref
2×cnt
2+1/W
3×ref
3×cnt
3)/(1/W
1×cnt
1+1/W
2×cnt
2+1/W
3×cnt
3)。
其中,PredR表示该当前点的属性预测值,W
1、W
2、W
3分别表示邻居点1、邻居点2、邻居点3与当前待编码点的距离,ref
1、ref
2、ref
3分别表示邻居点1、邻居点2、邻居点3的属性重建值。cnt
1、cnt
2、cnt
3分别表示基于该m个第二邻居点的属性重建值确定的用于修正第一权重的系数。
示例性地,解码器可将该n个第一邻居点分别与该当前点的距离的倒数,确定为该n个第一权重。
作为一个示例,解码器在z轴方向上基于第一距离权重,分别计算该n个第一邻居点中的s个第一邻居点与该当前点的距离;解码器在z轴方向上基于第二距离权重,分别计算该n个第一邻居点中除该s个第一邻居点之外的第一邻居点与该当前点的距离;该第一距离权重大于该第二距离权重;接着,解码器将该n个第一邻居点与该当前点的距离的倒数,确定该n个第一权重。
换言之,解码器基于该m个第二邻居点的属性重建值确定该n个第一邻居点的属性信息的权重时,在计算第一权重时,可同时在z轴方向上调整距离权重,以进一步提升该n个第一邻居点的属性信息的权重的准确度,进而提升解码器对该当前点的准确度。
示例性地,解码器可以基于该当前点云的类型和/或该当前点的属性信息的类型,确定该第二距离权重。例如,解码器可基于预设的映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的距离权重,确定为该第二距离权重;该预设的映射关系包括多个距离权重和该多个距离权重中每一个距离权重对应的点云类型和/或属性信息的类型。
当然,在其他可替代实施例中,解码器也可通过其他的方式确定该第二距离权重。
需要说明的是,本申请涉及的第一距离权重只需要大于该第二距离权重即可,本申请对该第一距离权重的具体取值不作限定。此外,在其他可替代实施例中,该第一距离权重和该第二距离权重也可称为轴偏系数(axisBias)或其他名称,本申请对此不作限定。
此外,本申请实施例涉及的该n个第一邻居点分别与该当前点的距离包括但不限于几何距离、曼哈顿距离或希勃尔特距离等等。
作为一个示例,解码器获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数;其中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,s为正整数;解码器基于该s个系数和该s个第一邻居点分别对应的s个第一权重,得到该s个第一邻居点分别对应的s个第二权重。例如,解码器利用该s个系数分别乘以该s个第一邻居点对应的s个第一权重,得到该s个第一邻居点分别对应的s个第二权重。
示例性地,针对该s个第一邻居点中的邻居点1,该邻居点1对应的系数用于表示该m个第二邻居点中包括的属性重建值与该邻居点1的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量。具体地,可通过以下方式获取该邻居点1对应的系数:
针对该m个第二邻居点中的第i个邻居点,若|curpredRefl–neiborRefl[i]|<maxDiff,则该邻居点1对应的系数加1;其中,curpredRefl表示该邻居点1的属性重建值,neiborRefl[i]表示该第i个邻居点的属性重建值,maxDiff表示该第一阈值。
换言之,解码器在寻找近邻点的技术基础上,确定解码顺序对当前点的前n+m个点作为邻居点,m为本申请额外多搜索的用于对修正该n个第一权重的第二邻居点的个数,该m个第二邻居点也就是该当前点的第n+1近邻、第n+2近邻,…,第n+m近邻;然后,解码器可通过遍历n个第一邻居点,计算各个第一邻居点与当前点的几何信息距离(disPos),以得到该n个第一权重。然后,针对该s个 第一邻居点中每一个第一邻居点,解码器可通过统计该m个第二邻居点中包括的属性重建值与该第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,进而得到该s个系数,该s个系数可表示为cnt
1,cnt
2,…,cnt
s;最终,解码器可基于该n个第一权重以及该s个系数对该n个第一邻居点的属性重建值进行加权平均,以得到该当前点的属性预测值。
可选的,该s个第一邻居点包括该当前点的最近邻点。
由于最近邻点与当前点的距离最近,因此,对当前点的属性值进行预测时,最近邻点的属性信息的权重对当前点的预测准确度影响最大,本申请通过对该最近邻点的属性信息的权重的计算方法进行优化,即通过提升最近邻点的属性信息的权重的准确度,能够提升解码器对当前点的预测准确度。
可选的,s=1,或s=n。
示例性地,以该n=3且s=1为例,解码器可通过以下公式确定该当前点的属性预测值:
PredR=(1/W
1×cnt
1×ref
1+1/W
2×ref
2+1/W
3×ref
3)/(1/W
1×cnt
1+1/W
2+1/W
3)。
其中,PredR表示该当前点的属性预测值,W
1、W
2、W
3分别表示邻居点1、邻居点2、邻居点3与当前待编码点的距离,ref
1、ref
2、ref
3分别表示邻居点1、邻居点2、邻居点3的属性重建值。cnt
1分别表示基于该m个第二邻居点的属性重建值确定的用于修正该当前点的最近邻点的第一权重的系数。
当然,在其他可替代实施例中,该s个第一邻居点也可以是解码器确定的,例如解码器在该n个第一邻居点中选取的第一邻居点,本申请对此不作具体限定。例如,解码器可以通过遍历该n个第一邻居点的方式,针对该n个第一邻居点中的某一个第一邻居点,计算该m个第二邻居点对应的m个属性重建值分别与该某一个第一邻居点的差值,得到m个差值,若该m个差值中存在k个大于或等于该第一阈值的差值,则将该某一个第一邻居点作为该s个第一邻居点中第一邻居点;否则,将该某一个第一邻居点不作为该s个第一邻居点中的第一邻居点。换言之,该m个第二邻居点对应的m个属性重建值,针对该s个第一邻居点中的某一个第一邻居点,该m个属性重建值中至少存在k个属性重建值,该k个属性重建值中的每一个属性重建值与该某一个第一邻居点的属性重建值的差值大于或等于该第一阈值。
此外,在其他可替代实施例中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的商小于或等于第一阈值的第二邻居点的数量,本申请对此不作具体限定。
可选的,解码器获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数之前,该方法100还包括:
基于该当前点云的类型和/或该当前点的属性信息的类型,确定该第一阈值。
作为一个示例,解码器基于第一映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的阈值,确定为该第一阈值;该第一映射关系包括多个阈值和该多个阈值中每一个阈值对应的点云类型和/或属性信息的类型。
可选的,该多个阈值包括密集型点云对应的阈值和稀疏型点云对应的阈值,该密集型点云对应的阈值小于该稀疏型点云对应的阈值;和/或,该多个阈值包括颜色信息对应的阈值和反射率信息对应的阈值,该颜色信息对应的阈值小于该反射率信息对应的阈值。
需要说明的是,本申请涉及的多个阈值可基于实际需求进行设定,也可通过用户设定,本申请对此不作具体限定。此外,在其他可替代实施例中,解码器还可基于编解码参数确定该第一阈值,例如该编解码参数可包括:限制有损几何(limit-lossy geometry)压缩、无损几何压缩、有损属性(lossy attributes)压缩、限制有损属性(limit-lossy attributes)压缩或无损属性压缩;此时,不同的编解码参数可对应不同的阈值。
在一些实施例中,该S120之前,该方法100还可包括:
基于该当前点云的类型和/或该当前点的属性信息的类型,确定m的取值。
作为一个示例,解码器基于第二映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的数值,确定为m的取值;该第二映射关系包括多个数值和该多个数值中每一个数值对应的点云类型和/或属性信息的类型。
可选的,该多个数值包括密集型点云对应的数值和稀疏型点云对应的数值,该密集型点云对应的数值小于该稀疏型点云对应的数值;和/或,该多个阈值包括颜色信息对应的数值和反射率信息对应的数值,该颜色信息对应的数值小于该反射率信息对应的数值。
需要说明的是,本申请涉及的多个数值可基于实际需求进行设定,也可通过用户设定,本申请对此不作具体限定。此外,在其他可替代实施例中,解码器还可基于编解码参数确定该m的取值,例如该编解码参数可包括:限制有损几何(limit-lossy geometry)压缩、无损几何压缩、有损属性(lossy attributes)压缩、限制有损属性(limit-lossy attributes)压缩或无损属性压缩;此时,不同的编解码参数可对应m 的不同的取值。
在一些实施例中,该S140可包括:
若该当前点使用的量化步长小于或等于第二阈值,则基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重。
换言之,解码器可基于该当前点使用的量化步长是否小于或等于第二阈值,确定是否基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重。
当然,在其他可替代实施例中,也可以基于该当前点云的类型和/或该当前点的属性信息的类型,确定是否基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重,本申请对此不作具体限定。
以上结合附图详细描述了本申请的优选实施方式,但是,本申请并不限于上述实施方式中的具体细节,在本申请的技术构思范围内,可以对本申请的技术方案进行多种简单变型,这些简单变型均属于本申请的保护范围。例如,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本申请对各种可能的组合方式不再另行说明。又例如,本申请的各种不同的实施方式之间也可以进行任意组合,只要其不违背本申请的思想,其同样应当视为本申请所公开的内容。还应理解,在本申请的各种方法实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图13是本申请实施例提供的基于编码方法200的示意性流程图。该方法200可由编码器或编码框架执行,例如图4所示的编码框架。
如图13所示,该编码方法200可包括:
S210,获取当前点云的几何信息;
S220,针对该当前点云中待编码的当前点,基于该几何信息,确定该当前点云的属性信息的编码顺序;
S220,获取该编码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
S240,基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
S250,基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
在一些实施例中,该S240可包括:
基于该n个第一邻居点与该当前点的距离,确定该n个第一邻居点分别对应的n个第一权重;
基于该m个第二邻居点的属性重建值,对该n个第一权重中的部分或全部第一权重进行修正,得到该n个第一邻居点分别对应的n个第二权重;
其中,该S250可包括:
利用该n个第一邻居点的属性重建值分别与该n个第二权重的乘积的和,除以该n个第二权重的和,得到该当前点的属性预测值。
在一些实施例中,在z轴方向上基于第一距离权重,分别计算该n个第一邻居点中的s个第一邻居点与该当前点的距离;在z轴方向上基于第二距离权重,分别计算该n个第一邻居点中除该s个第一邻居点之外的第一邻居点与该当前点的距离;该第一距离权重大于该第二距离权重;将该n个第一邻居点与该当前点的距离的倒数,确定该n个第一权重。
在一些实施例中,获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数;其中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,s为正整数;基于该s个系数和该s个第一邻居点分别对应的s个第一权重,得到该s个第一邻居点分别对应的s个第二权重。
在一些实施例中,该s个第一邻居点包括该当前点的最近邻点。
在一些实施例中,s=1,或s=n。
在一些实施例中,获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数之前,基于第一映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的阈值,确定为该第一阈值;该第一映射关系包括多个阈值和该多个阈值中每一个阈值对应的点云类型和/或属性信息的类型。
在一些实施例中,该多个阈值包括密集型点云对应的阈值和稀疏型点云对应的阈值,该密集型点云对应的阈值小于该稀疏型点云对应的阈值;和/或,该多个阈值包括颜色信息对应的阈值和反射率信息对应的阈值,该颜色信息对应的阈值小于该反射率信息对应的阈值。
在一些实施例中,该S220之前,该方法200还可包括:
基于第二映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的数值,确定为m的取值;该第二映射关系包括多个数值和该多个数值中每一个数值对应的点云类型和/或属性信息的类型。
在一些实施例中,该多个数值包括密集型点云对应的数值和稀疏型点云对应的数值,该密集型点云对应的数值小于该稀疏型点云对应的数值;和/或,该多个阈值包括颜色信息对应的数值和反射率信息对应的数值,该颜色信息对应的数值小于该反射率信息对应的数值。
在一些实施例中,该S220可包括:
若该当前点使用的量化步长小于或等于第二阈值,则基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重。
下面将结合附图对本申请实施例提供的编码器或解码器进行说明。
图14是本申请实施例提供的解码器300的示意性框图。
如图14所示,该解码器300可包括:
解析单元310,用于对当前点云的码流进行解析,得到该当前点云的几何信息;
预测单元320,用于:
针对该当前点云中待解码的当前点,基于该几何信息,确定该当前点云的属性信息的解码顺序;
获取该解码顺序中位于当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
在一些实施例中,该预测单元320具体用于:
基于该n个第一邻居点与该当前点的距离,确定该n个第一邻居点分别对应的n个第一权重;
基于该m个第二邻居点的属性重建值,对该n个第一权重中的部分或全部第一权重进行修正,得到该n个第一邻居点分别对应的n个第二权重;
利用该n个第一邻居点的属性重建值分别与该n个第二权重的乘积的和,除以该n个第二权重的和,得到该当前点的属性预测值。
在一些实施例中,该预测单元320具体用于:
在z轴方向上基于第一距离权重,分别计算该n个第一邻居点中的s个第一邻居点与该当前点的距离;
在z轴方向上基于第二距离权重,分别计算该n个第一邻居点中除该s个第一邻居点之外的第一邻居点与该当前点的距离;该第一距离权重大于该第二距离权重;
将该n个第一邻居点与该当前点的距离的倒数,确定该n个第一权重。
在一些实施例中,该预测单元320具体用于:
获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数;其中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,s为正整数;
基于该s个系数和该s个第一邻居点分别对应的s个第一权重,得到该s个第一邻居点分别对应的s个第二权重。
在一些实施例中,该s个第一邻居点包括该当前点的最近邻点。
在一些实施例中,s=1,或s=n。
在一些实施例中,该预测单元320用于获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数之前,该预测单元320还用于:
基于第一映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的阈值,确定为该第一阈值;该第一映射关系包括多个阈值和该多个阈值中每一个阈值对应的点云类型和/或属性信息的类型。
在一些实施例中,该多个阈值包括密集型点云对应的阈值和稀疏型点云对应的阈值,该密集型点云对应的阈值小于该稀疏型点云对应的阈值;和/或,该多个阈值包括颜色信息对应的阈值和反射率信息对应的阈值,该颜色信息对应的阈值小于该反射率信息对应的阈值。
在一些实施例中,该预测单元320用于获取该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点之前,该预测单元320还用于:
基于第二映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的数值,确定为m的取值;该第二映射关系包括多个数值和该多个数值中每一个数值对应的点云类型和/或属性信息的 类型。
在一些实施例中,该多个数值包括密集型点云对应的数值和稀疏型点云对应的数值,该密集型点云对应的数值小于该稀疏型点云对应的数值;和/或,该多个阈值包括颜色信息对应的数值和反射率信息对应的数值,该颜色信息对应的数值小于该反射率信息对应的数值。
在一些实施例中,该预测单元320具体用于:
若该当前点使用的量化步长小于或等于第二阈值,则基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重。
需要说明的是,该解码器300也可以结合至图5所示的解码框架,即可将该解码器300中的单元替换或结合至解码框架中的相关部分。例如,该预测单元320可用于实现解码框架中的属性预测部分。
图15是本申请实施例提供的编码器400的示意性框图。
如图15所示,该编码器400可包括:
获取单元410,用于获取当前点云的几何信息;
预测单元420,用于:
针对该当前点云中待编码的当前点,基于该几何信息,确定该当前点云的属性信息的编码顺序;
获取该编码顺序中位于该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点,n和m均为正整数;
基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重;
基于该n个第一邻居点的属性信息和该n个第一邻居点的属性信息的权重,对该当前点进行预测,得到该当前点的属性预测值。
在一些实施例中,该预测单元420具体用于:
基于该n个第一邻居点与该当前点的距离,确定该n个第一邻居点分别对应的n个第一权重;
基于该m个第二邻居点的属性重建值,对该n个第一权重中的部分或全部第一权重进行修正,得到该n个第一邻居点分别对应的n个第二权重;
利用该n个第一邻居点的属性重建值分别与该n个第二权重的乘积的和,除以该n个第二权重的和,得到该当前点的属性预测值。
在一些实施例中,该预测单元420具体用于:
在z轴方向上基于第一距离权重,分别计算该n个第一邻居点中的s个第一邻居点与该当前点的距离;
在z轴方向上基于第二距离权重,分别计算该n个第一邻居点中除该s个第一邻居点之外的第一邻居点与该当前点的距离;该第一距离权重大于该第二距离权重;
将该n个第一邻居点与该当前点的距离的倒数,确定该n个第一权重。
在一些实施例中,该预测单元420具体用于:
获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数;其中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,s为正整数;
基于该s个系数和该s个第一邻居点分别对应的s个第一权重,得到该s个第一邻居点分别对应的s个第二权重。
在一些实施例中,该s个第一邻居点包括该当前点的最近邻点。
在一些实施例中,s=1,或s=n。
在一些实施例中,该预测单元420用于获取该n个第一邻居点中的s个第一邻居点分别对应的s个系数之前,该预测单元420还用于:
基于第一映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的阈值,确定为该第一阈值;该第一映射关系包括多个阈值和该多个阈值中每一个阈值对应的点云类型和/或属性信息的类型。
在一些实施例中,该多个阈值包括密集型点云对应的阈值和稀疏型点云对应的阈值,该密集型点云对应的阈值小于该稀疏型点云对应的阈值;和/或,该多个阈值包括颜色信息对应的阈值和反射率信息对应的阈值,该颜色信息对应的阈值小于该反射率信息对应的阈值。
在一些实施例中,该预测单元420用于获取该当前点之前的n个第一邻居点和位于该n个第一邻居点之前的m个第二邻居点之前,该预测单元420还用于:
基于第二映射关系,将与该当前点云的类型和/或该当前点的属性信息的类型对应的数值,确定为m的取值;该第二映射关系包括多个数值和该多个数值中每一个数值对应的点云类型和/或属性信息的类型。
在一些实施例中,该多个数值包括密集型点云对应的数值和稀疏型点云对应的数值,该密集型点云对应的数值小于该稀疏型点云对应的数值;和/或,该多个阈值包括颜色信息对应的数值和反射率信息对应的数值,该颜色信息对应的数值小于该反射率信息对应的数值。
在一些实施例中,该预测单元420具体用于:
若该当前点使用的量化步长小于或等于第二阈值,则基于该m个第二邻居点的属性重建值,确定该n个第一邻居点的属性信息的权重。
需要说明的是,该编码器400也可以结合至图4所示的编码框架,即可将该编码器400中的单元替换或结合至编码框架中的相关部分。例如,该预测单元420可用于实现编码框架中的属性预测部分。
应理解,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,解码器300可以对应于执行本申请实施例的方法100中的相应主体,并且解码器300中的各个单元分别为了实现方法100中的相应流程,类似的,编码器400可以对应于执行本申请实施例的方法200中的相应主体,并且编码器400中的各个单元分别为了实现方法200中的相应流程,为了简洁,在此不再赘述。
还应当理解,本申请实施例涉及的解码器300或编码器400中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,该解码器300或编码器400也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。根据本申请的另一个实施例,可以通过在包括例如中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的通用计算机的通用计算设备上运行能够执行相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造本申请实施例涉及的解码器300或编码器400,以及来实现本申请实施例的基于点云属性预测的编解码方法。计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质装载于任意具有数据处理能力的电子设备,并在其中运行,来实现本申请实施例的相应方法。
换言之,上文涉及的单元可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过软硬件结合的形式实现。具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件组合执行完成。可选地,软件可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
图16是本申请实施例提供的编解码设备500的示意结构图。
如图16所示,该编解码设备500至少包括处理器510以及计算机可读存储介质520。其中,处理器510以及计算机可读存储介质520可通过总线或者其它方式连接。计算机可读存储介质520用于存储计算机程序521,计算机程序521包括计算机指令,处理器510用于执行计算机可读存储介质520存储的计算机指令。处理器510是编解码设备500的计算核心以及控制核心,其适于实现一条或多条计算机指令,具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
作为示例,处理器510也可称为中央处理器(Central Processing Unit,CPU)。处理器510可以包括但不限于:通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
作为示例,计算机可读存储介质520可以是高速RAM存储器,也可以是非不稳定的存储器(Non-VolatileMemory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述处理器510的计算机可读存储介质。具体而言,计算机可读存储介质520包括但不限于:易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在一种实现方式中,该编解码设备500可以是图4所示的编码框架或图15所示的编码器400;该计算机可读存储介质520中存储有第一计算机指令;由处理器510加载并执行计算机可读存储介质520中存放的第一计算机指令,以实现图13所示方法实施例中的相应步骤;具体实现中,计算机可读存储介质520中的第一计算机指令由处理器510加载并执行相应步骤,为避免重复,此处不再赘述。在一种实现方式中,该编解码设备500可以是图5所示的解码框架或图14所示的解码器300;该计算机可读存储介质520中存储有第二计算机指令;由处理器510加载并执行计算机可读存储介质520中存放的第二计算机指令,以实现图12所示方法实施例中的相应步骤;具体实现中,计算机可读存储介质520中的第二计算机指令由处理器510加载并执行相应步骤,为避免重复,此处不再赘述。
根据本申请的另一方面,本申请实施例还提供了一种计算机可读存储介质(Memory),计算机可读存储介质是编解码设备500中的记忆设备,用于存放程序和数据。例如,计算机可读存储介质520。可以理解的是,此处的计算机可读存储介质520既可以包括编解码设备500中的内置存储介质,当然也可以包括编解码设备500所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了编解码设备500的操作系统。并且,在该存储空间中还存放了适于被处理器510加载并执行的一条或多条的计算机指令,这些计算机指令可以是一个或多个的计算机程序521(包括程序代码)。这些计算机指令指令用于计算机执行上述各种可选方式中提供的基于点云属性预测的编解码方法。
根据本申请的另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。例如,计算机程序521。此时,编解码设备500可以是计算机,处理器510从计算机可读存储介质520读取该计算机指令,处理器510执行该计算机指令,使得该计算机执行上述各种可选方式中提供的基于点云属性预测的编解码方法。
换言之,当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地运行本申请实施例的流程或实现本申请实施例的功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质进行传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元以及流程步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
最后需要说明的是,以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (28)
- 一种解码方法,其特征在于,包括:对当前点云的码流进行解析,得到所述当前点云的几何信息;针对所述当前点云中待解码的当前点,基于所述几何信息,确定所述当前点云的属性信息的解码顺序;获取所述解码顺序中位于所述当前点之前的n个第一邻居点和位于所述n个第一邻居点之前的m个第二邻居点,n和m均为正整数;基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重;基于所述n个第一邻居点的属性信息和所述n个第一邻居点的属性信息的权重,对所述当前点进行预测,得到所述当前点的属性预测值。
- 根据权利要求1所述的方法,其特征在于,所述基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重,包括:基于所述n个第一邻居点与所述当前点的距离,确定所述n个第一邻居点分别对应的n个第一权重;基于所述m个第二邻居点的属性重建值,对所述n个第一权重中的部分或全部第一权重进行修正,得到所述n个第一邻居点分别对应的n个第二权重;其中,所述基于所述n个第一邻居点的属性信息和所述n个第一邻居点的属性信息的权重,对所述当前点进行预测,得到所述当前点的属性预测值,包括:利用所述n个第一邻居点的属性重建值分别与所述n个第二权重的乘积的和,除以所述n个第二权重的和,得到所述当前点的属性预测值。
- 根据权利要求2所述的方法,其特征在于,所述基于所述n个第一邻居点与所述当前点的距离,确定所述n个第一邻居点分别对应的n个第一权重,包括:在z轴方向上基于第一距离权重,分别计算所述n个第一邻居点中的s个第一邻居点与所述当前点的距离;在z轴方向上基于第二距离权重,分别计算所述n个第一邻居点中除所述s个第一邻居点之外的第一邻居点与所述当前点的距离;所述第一距离权重大于所述第二距离权重;将所述n个第一邻居点与所述当前点的距离的倒数,确定所述n个第一权重。
- 根据权利要求2所述的方法,其特征在于,所述基于所述m个第二邻居点的属性重建值,对所述n个第一权重进行修正,得到所述n个第一邻居点分别对应的n个第二权重,包括:获取所述n个第一邻居点中的s个第一邻居点分别对应的s个系数;其中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,s为正整数;基于所述s个系数和所述s个第一邻居点分别对应的s个第一权重,得到所述s个第一邻居点分别对应的s个第二权重。
- 根据权利要求4所述的方法,其特征在于,所述s个第一邻居点包括所述当前点的最近邻点。
- 根据权利要求4所述的方法,其特征在于,s=1,或s=n。
- 根据权利要求4所述的方法,其特征在于,所述获取所述n个第一邻居点中的s个第一邻居点分别对应的s个系数之前,所述方法还包括:基于第一映射关系,将与所述当前点云的类型和/或所述当前点的属性信息的类型对应的阈值,确定为所述第一阈值;所述第一映射关系包括多个阈值和所述多个阈值中每一个阈值对应的点云类型和/或属性信息的类型。
- 根据权利要求7所述的方法,其特征在于,所述多个阈值包括密集型点云对应的阈值和稀疏型点云对应的阈值,所述密集型点云对应的阈值小于所述稀疏型点云对应的阈值;和/或,所述多个阈值包括颜色信息对应的阈值和反射率信息对应的阈值,所述颜色信息对应的阈值小于所述反射率信息对应的阈值。
- 根据权利要求1至8中任一项所述的方法,其特征在于,所述获取所述当前点之前的n个第一邻居点和位于所述n个第一邻居点之前的m个第二邻居点之前,所述方法还包括:基于第二映射关系,将与所述当前点云的类型和/或所述当前点的属性信息的类型对应的数值,确定为m的取值;所述第二映射关系包括多个数值和所述多个数值中每一个数值对应的点云类型和/或属性信息的类型。
- 根据权利要求9所述的方法,其特征在于,所述多个数值包括密集型点云对应的数值和稀疏型点云对应的数值,所述密集型点云对应的数值小于所述稀疏型点云对应的数值;和/或,所述多个阈值 包括颜色信息对应的数值和反射率信息对应的数值,所述颜色信息对应的数值小于所述反射率信息对应的数值。
- 根据权利要求1至10中任一项所述的方法,其特征在于,所述基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重,包括:若所述当前点使用的量化步长小于或等于第二阈值,则基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重。
- 一种编码方法,其特征在于,包括:获取当前点云的几何信息;针对所述当前点云中待编码的当前点,基于所述几何信息,确定所述当前点云的属性信息的编码顺序;获取所述编码顺序中位于所述当前点之前的n个第一邻居点和位于所述n个第一邻居点之前的m个第二邻居点,n和m均为正整数;基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重;基于所述n个第一邻居点的属性信息和所述n个第一邻居点的属性信息的权重,对所述当前点进行预测,得到所述当前点的属性预测值。
- 根据权利要求12所述的方法,其特征在于,所述基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重,包括:基于所述n个第一邻居点与所述当前点的距离,确定所述n个第一邻居点分别对应的n个第一权重;基于所述m个第二邻居点的属性重建值,对所述n个第一权重中的部分或全部第一权重进行修正,得到所述n个第一邻居点分别对应的n个第二权重;其中,所述基于所述n个第一邻居点的属性信息和所述n个第一邻居点的属性信息的权重,对所述当前点进行预测,得到所述当前点的属性预测值,包括:利用所述n个第一邻居点的属性重建值分别与所述n个第二权重的乘积的和,除以所述n个第二权重的和,得到所述当前点的属性预测值。
- 根据权利要求13所述的方法,其特征在于,所述基于所述n个第一邻居点与所述当前点的距离,确定所述n个第一邻居点分别对应的n个第一权重,包括:在z轴方向上基于第一距离权重,分别计算所述n个第一邻居点中的s个第一邻居点与所述当前点的距离;在z轴方向上基于第二距离权重,分别计算所述n个第一邻居点中除所述s个第一邻居点之外的第一邻居点与所述当前点的距离;所述第一距离权重大于所述第二距离权重;将所述n个第一邻居点与所述当前点的距离的倒数,确定所述n个第一权重。
- 根据权利要求13所述的方法,其特征在于,所述基于所述m个第二邻居点的属性重建值,对所述n个第一权重进行修正,得到所述n个第一邻居点分别对应的n个第二权重,包括:获取所述n个第一邻居点中的s个第一邻居点分别对应的s个系数;其中,所述第一邻居点对应的系数用于表示所述m个第二邻居点中包括的属性重建值与所述第一邻居点的属性重建值的差值的绝对值小于或等于第一阈值的第二邻居点的数量,s为正整数;基于所述s个系数和所述s个第一邻居点分别对应的s个第一权重,得到所述s个第一邻居点分别对应的s个第二权重。
- 根据权利要求15所述的方法,其特征在于,所述s个第一邻居点包括所述当前点的最近邻点。
- 根据权利要求15所述的方法,其特征在于,s=1,或s=n。
- 根据权利要求15所述的方法,其特征在于,所述获取所述n个第一邻居点中的s个第一邻居点分别对应的s个系数之前,所述方法还包括:基于第一映射关系,将与所述当前点云的类型和/或所述当前点的属性信息的类型对应的阈值,确定为所述第一阈值;所述第一映射关系包括多个阈值和所述多个阈值中每一个阈值对应的点云类型和/或属性信息的类型。
- 根据权利要求18所述的方法,其特征在于,所述多个阈值包括密集型点云对应的阈值和稀疏型点云对应的阈值,所述密集型点云对应的阈值小于所述稀疏型点云对应的阈值;和/或,所述多个阈值包括颜色信息对应的阈值和反射率信息对应的阈值,所述颜色信息对应的阈值小于所述反射率信息对应的阈值。
- 根据权利要求12至19中任一项所述的方法,其特征在于,所述获取所述当前点之前的n个第一邻居点和位于所述n个第一邻居点之前的m个第二邻居点之前,所述方法还包括:基于第二映射关系,将与所述当前点云的类型和/或所述当前点的属性信息的类型对应的数值,确 定为m的取值;所述第二映射关系包括多个数值和所述多个数值中每一个数值对应的点云类型和/或属性信息的类型。
- 根据权利要求20所述的方法,其特征在于,所述多个数值包括密集型点云对应的数值和稀疏型点云对应的数值,所述密集型点云对应的数值小于所述稀疏型点云对应的数值;和/或,所述多个阈值包括颜色信息对应的数值和反射率信息对应的数值,所述颜色信息对应的数值小于所述反射率信息对应的数值。
- 根据权利要求12至21中任一项所述的方法,其特征在于,所述基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重,包括:若所述当前点使用的量化步长小于或等于第二阈值,则基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重。
- 一种解码器,其特征在于,包括:解析单元,用于对当前点云的码流进行解析,得到所述当前点云的几何信息;预测单元,用于:针对所述当前点云中待解码的当前点,基于所述几何信息,确定所述当前点云的属性信息的解码顺序,n和m均为正整数;获取所述解码顺序中的位于所述当前点之前的n个第一邻居点和位于所述n个第一邻居点之前的m个第二邻居点;基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重;基于所述n个第一邻居点的属性信息和所述n个第一邻居点的属性信息的权重,对所述当前点进行预测,得到所述当前点的属性预测值。
- 一种编码器,其特征在于,包括:获取单元,用于获取当前点云的几何信息;预测单元,用于:针对所述当前点云中待编码的当前点,基于所述几何信息,确定所述当前点云的属性信息的编码顺序,n和m均为正整数;获取所述编码顺序中的位于所述当前点之前的n个第一邻居点和位于所述n个第一邻居点之前的m个第二邻居点;基于所述m个第二邻居点的属性重建值,确定所述n个第一邻居点的属性信息的权重;基于所述n个第一邻居点的属性信息和所述n个第一邻居点的属性信息的权重,对所述当前点进行预测,得到所述当前点的属性预测值。
- 一种解码设备,其特征在于,包括:处理器,适于执行计算机程序;计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至11中任一项所述的解码方法。
- 一种编码设备,其特征在于,包括:处理器,适于执行计算机程序;计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求12至22中任一项所述的编码方法。
- 一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1至11中任一项所述的解码方法。
- 一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求12至22中任一项所述的编码方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/114160 WO2023023918A1 (zh) | 2021-08-23 | 2021-08-23 | 解码方法、编码方法、解码器以及编码器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117751574A true CN117751574A (zh) | 2024-03-22 |
Family
ID=85321410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180101210.8A Pending CN117751574A (zh) | 2021-08-23 | 2021-08-23 | 解码方法、编码方法、解码器以及编码器 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117751574A (zh) |
WO (1) | WO2023023918A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10904564B2 (en) * | 2018-07-10 | 2021-01-26 | Tencent America LLC | Method and apparatus for video coding |
US11166048B2 (en) * | 2018-10-02 | 2021-11-02 | Tencent America LLC | Method and apparatus for video coding |
CN109889840B (zh) * | 2019-03-20 | 2022-11-22 | 北京大学深圳研究生院 | 点云编码和解码的方法、编码设备和解码设备 |
WO2020246689A1 (ko) * | 2019-06-05 | 2020-12-10 | 엘지전자 주식회사 | 포인트 클라우드 데이터 전송 장치, 포인트 클라우드 데이터 전송 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
CN110418135B (zh) * | 2019-08-05 | 2022-05-27 | 北京大学深圳研究生院 | 一种基于邻居的权重优化的点云帧内预测方法及设备 |
-
2021
- 2021-08-23 WO PCT/CN2021/114160 patent/WO2023023918A1/zh active Application Filing
- 2021-08-23 CN CN202180101210.8A patent/CN117751574A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023023918A1 (zh) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102184261B1 (ko) | 점군을 압축하는 방법 | |
CN115086660B (zh) | 基于点云属性预测的解码、编码方法、解码器及编码器 | |
WO2022133753A1 (zh) | 点云编解码方法与系统、及点云编码器与点云解码器 | |
CN116250008A (zh) | 点云的编码、解码方法、编码器、解码器以及编解码系统 | |
WO2023015530A1 (zh) | 点云编解码方法、编码器、解码器及计算机可读存储介质 | |
WO2022257145A1 (zh) | 点云属性的预测方法、装置及编解码器 | |
CN117751574A (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2022067776A1 (zh) | 点云的解码、编码方法、解码器、编码器和编解码系统 | |
WO2023097694A1 (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2023159428A1 (zh) | 编码方法、编码器以及存储介质 | |
WO2022257155A1 (zh) | 解码方法、编码方法、解码器、编码器以及编解码设备 | |
CN115086716A (zh) | 点云中邻居点的选择方法、装置及编解码器 | |
WO2023240660A1 (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2023240455A1 (zh) | 点云编码方法、编码装置、编码设备以及存储介质 | |
WO2023123284A1 (zh) | 一种解码方法、编码方法、解码器、编码器及存储介质 | |
WO2024168613A1 (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2022217472A1 (zh) | 点云编解码方法、编码器、解码器及计算机可读存储介质 | |
WO2023197337A1 (zh) | 索引确定方法、装置、解码器以及编码器 | |
WO2024077548A1 (zh) | 点云解码方法、点云编码方法、解码器和编码器 | |
WO2024145953A1 (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2024174086A1 (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2024168611A1 (zh) | 解码方法、编码方法、解码器以及编码器 | |
WO2022133752A1 (zh) | 点云的编码方法、解码方法、编码器以及解码器 | |
WO2022257143A1 (zh) | 帧内预测、编解码方法及装置、编解码器、设备、介质 | |
WO2022140937A1 (zh) | 点云编解码方法与系统、及点云编码器与点云解码器 |
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 |