WO2025152143A1 - 基于可变码率的点云压缩方法、装置、设备及存储介质 - Google Patents

基于可变码率的点云压缩方法、装置、设备及存储介质

Info

Publication number
WO2025152143A1
WO2025152143A1 PCT/CN2024/073221 CN2024073221W WO2025152143A1 WO 2025152143 A1 WO2025152143 A1 WO 2025152143A1 CN 2024073221 W CN2024073221 W CN 2024073221W WO 2025152143 A1 WO2025152143 A1 WO 2025152143A1
Authority
WO
WIPO (PCT)
Prior art keywords
point cloud
bit rate
data
variable bit
convolution
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
PCT/CN2024/073221
Other languages
English (en)
French (fr)
Inventor
高伟
余卓臻
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.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
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 Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to PCT/CN2024/073221 priority Critical patent/WO2025152143A1/zh
Priority to CN202480000085.5A priority patent/CN118104235A/zh
Publication of WO2025152143A1 publication Critical patent/WO2025152143A1/zh
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

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
    • 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
    • H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
    • 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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
    • 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
    • H04N19/189—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding
    • H04N19/192—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding the adaptation method, adaptation tool or adaptation type being iterative or recursive
    • 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
    • H04N19/189—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding
    • H04N19/196—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the adaptation method, adaptation tool or adaptation type used for the adaptive coding being specially adapted for the computation of encoding parameters, e.g. by averaging previously computed encoding parameters
    • 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
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/537—Motion estimation other than block-based
    • H04N19/54—Motion estimation other than block-based using feature points or meshes

Definitions

  • the present application relates to the field of point cloud processing technology, and in particular to a point cloud compression method, device, equipment and storage medium based on a variable bit rate.
  • point cloud has become another important multimedia data after images and videos. Since point cloud data usually contains a large number of points, an effective compression algorithm is necessary to effectively store and transmit point cloud data.
  • the main purpose of this application is to provide a point cloud compression method, device, equipment and storage medium based on variable bit rate, aiming to solve the problem that the fixed bit rate method cannot meet the different requirements of users for the bit rate of compressed files, and therefore has low usability.
  • the first point cloud data is compressed by a preset convolution model to obtain second point cloud data, wherein the convolution model includes convolution channels corresponding to the number of channels, and the bit rate of the second point cloud data is associated with the number of channels.
  • the step of compressing the first point cloud data by using a preset convolution model to obtain the second point cloud data includes:
  • the anchor point and the non-anchor point are encoded to obtain second point cloud data.
  • the second point cloud data is fed back to the user, so that the user can input the number of channels between the convolution operators in the convolution model in the next compression process according to the second point cloud data and its bit rate.
  • Gaussian modeling is performed on the entropy estimation information of the anchor point and the non-anchor point to obtain a mean and variance of the Gaussian modeling.
  • the present application also provides a point cloud compression device based on a variable bit rate, and the point cloud compression device based on a variable bit rate includes:
  • An acquisition module used for acquiring the number of channels between the first point cloud data to be compressed and the convolution operator
  • a compression module is used to compress the first point cloud data through a preset convolution model to obtain second point cloud data, wherein the convolution model includes convolution channels corresponding to the number of channels, and the bit rate of the second point cloud data is associated with the number of channels.
  • the present application also provides a point cloud compression device based on a variable bit rate, the device comprising: a memory, a processor, and a point cloud compression program based on a variable bit rate stored on the memory and executable on the processor, the point cloud compression program based on a variable bit rate being configured to implement the steps of the point cloud compression method based on a variable bit rate.
  • the present application also provides a storage medium, on which a point cloud compression program based on a variable bit rate is stored.
  • a point cloud compression program based on a variable bit rate is executed by a processor, the steps of the point cloud compression method based on a variable bit rate are implemented.
  • the present application provides a point cloud compression method, device, equipment and storage medium based on variable bit rate.
  • end-to-end point cloud compression usually adopts a fixed bit rate, that is, the output code data amount of the encoder per second (or the input bit rate of the decoder) is a fixed value.
  • the fixed bit rate method cannot meet the different requirements of users for the bit rate of the compressed file, so its availability is low.
  • the number of channels between the first point cloud data to be compressed and the convolution operator is obtained; the first point cloud data is compressed by a preset convolution model to obtain the second point cloud data, wherein the convolution model includes convolution channels corresponding to the number of channels, and the bit rate of the second point cloud data is associated with the number of channels.
  • the number of channels between the first point cloud data to be compressed and the convolution operator is obtained, and the second point cloud data with a bit rate associated with the number of channels is obtained by a convolution model including a convolution channel corresponding to the obtained number of channels.
  • the compressed file with the corresponding bit rate can be obtained according to the number of channels between different convolution operators, thereby improving its availability.
  • FIG1 is a schematic diagram of a first flow chart of a first embodiment of a point cloud compression method based on a variable bit rate of the present application
  • FIG3 is a schematic diagram of a second scenario of the first embodiment of the point cloud compression method based on a variable bit rate of the present application
  • FIG4 is a schematic diagram of a second process of a second embodiment of a point cloud compression method based on a variable bit rate according to the present application
  • FIG6 is a schematic diagram of a third flow chart of a third embodiment of a point cloud compression method based on a variable bit rate according to the present application;
  • FIG7 is a schematic diagram of a fourth scenario of the third embodiment of the point cloud compression method based on a variable bit rate of the present application
  • FIG9 is a schematic diagram of the structure of the hardware operating environment involved in the embodiment of the present application.
  • Figure 1 is a first flow chart of the first embodiment of the point cloud compression method based on variable bit rate of the present application.
  • the point cloud compression method based on variable bit rate includes the following steps:
  • Step S10 obtaining the number of channels between the first point cloud data to be compressed and the convolution operator
  • Step S20 compressing the first point cloud data through a preset convolution model to obtain second point cloud data, wherein the convolution model includes convolution channels corresponding to the number of channels, and the bit rate of the second point cloud data is associated with the number of channels.
  • This embodiment aims to obtain the number of channels between the first point cloud data to be compressed and the convolution operator, and obtain the second point cloud data with a code rate associated with the number of channels through a convolution model including convolution channels corresponding to the obtained number of channels, when users have different requirements for the code rate of the compressed file.
  • the compressed file with the corresponding bit rate can be obtained according to the number of channels between different convolution operators, thereby improving its usability.
  • Step S10 obtaining the number of channels between the first point cloud data to be compressed and the convolution operator
  • the executor of this embodiment is a point cloud compression device based on a variable bit rate
  • the point cloud compression device based on a variable bit rate may be subordinate to a point cloud compression device based on a variable bit rate.
  • the point cloud refers to a point set of target surface characteristics, that is, a point set obtained after obtaining the spatial coordinates of each sampling point on the surface of the object.
  • variable bit rate based point cloud compression device obtains first point cloud data from a target device, and the target device has the ability to collect point data on the surface of an object.
  • the reflected laser when a laser beam hits the surface of an object, the reflected laser will carry information such as direction and distance; if the laser beam is scanned along a certain trajectory, the reflected laser point information will be recorded while scanning. Since the scanning is extremely precise, a large number of laser points can be obtained, thus forming a laser point cloud.
  • variable bit rate based point cloud compression device obtains the number of channels between convolution operators input by the user through a visual interface.
  • bit rate of the second point cloud data is associated with the algorithm complexity
  • algorithm complexity is associated with the number of channels.
  • the algorithm complexity increases with the number of channels
  • the bit rate of the second point cloud data increases with the algorithm complexity, that is, the bit rate of the second point cloud data is associated with the algorithm complexity and the number of channels.
  • an adaptive convolution operator is introduced based on the Minkowski engine, called the channel adaptive sparse convolution operator (Adaptive Sparse Convolution Operator, AdaSConv); this operator can adaptively adjust its own input and output channel numbers according to the number of channels input by the user.
  • AdaSConv Adaptive Sparse Convolution Operator
  • the number of channels between the first point cloud data to be compressed and the convolution operator is obtained, and the second point cloud data with a bit rate associated with the number of channels is obtained by a convolution model including a convolution channel corresponding to the obtained number of channels.
  • the compressed file of the corresponding bit rate can be obtained according to the number of channels between different convolution operators, thereby improving its availability.
  • step S20 further includes the following steps:
  • the point cloud compression device based on a variable bit rate calculates entropy estimation information of an anchor point through a preset entropy model, and then calculates entropy estimation information of a non-anchor point with reference to context information of the anchor point.
  • the encoded data refers to data obtained by encoding anchor points and non-anchor points through a preset entropy model.
  • the encoder re-encodes the encoded data in combination with the mean and variance of Gaussian modeling to eliminate redundant parts in the encoded data.
  • the anchor points and non-anchor points are encoded and Gaussian modeled by a preset entropy model, and the mean and variance of the encoded data and the Gaussian modeling are sent to the arithmetic encoder, the arithmetic encoder eliminates the redundant parts in the encoded data through secondary encoding, and removes the redundant data through the mean and variance of the encoded data and the Gaussian modeling to simplify the point cloud data, thereby reducing the time consumption of the subsequent decoding process.
  • An acquisition module 10 used to acquire the number of channels between the first point cloud data to be compressed and the convolution operator
  • the compression module 20 is used to compress the first point cloud data through a preset convolution model to obtain second point cloud data, wherein the convolution model includes convolution channels corresponding to the number of channels, and the bit rate of the second point cloud data is associated with the number of channels.
  • the compression module further includes:
  • a convolution unit configured to perform a convolution operation on the first point cloud data through a preset convolution model to obtain convolution data
  • a determination unit configured to determine anchor points and non-anchor points in the convolution data by using a preset entropy model
  • the encoding unit is used to encode the anchor point and the non-anchor point to obtain second point cloud data.
  • the encoding unit further includes:
  • a first sub-encoding unit configured to encode the anchor point to obtain first encoded data
  • the merging sub-encoding unit is used to merge the first encoded data and the second encoded data to obtain second point cloud data.
  • the determining unit further includes:
  • a coordinate sub-determination unit used to determine the coordinates of each data point in the convolution data through a preset entropy model
  • a calculation sub-determination unit configured to sum the coordinate values of the data points according to the coordinates, and perform a modulo 2 operation to obtain a calculation result
  • a data point sub-determination unit is used to determine anchor points and non-anchor points in the convolution data according to the calculation result.
  • the point cloud compression device based on variable bit rate further includes:
  • a feedback module is used to feed back the second point cloud data to the user, so that the user can input the number of channels between the convolution operators in the convolution model in the next compression process according to the second point cloud data and its bit rate.
  • the compression module further includes:
  • a modeling unit configured to encode and Gaussian model the anchor points and non-anchor points through a preset entropy model to obtain second point cloud data, wherein the second point cloud data includes the encoded data and a mean and a variance of the Gaussian modeling;
  • a sending unit is used to send the encoded data and the mean and variance of the Gaussian modeling to an arithmetic encoder, so that the arithmetic encoder can eliminate the redundant part in the encoded data through secondary encoding.
  • the modeling unit further includes:
  • the Gaussian sub-modeling unit is used to perform Gaussian modeling on the entropy estimation information of the anchor point and the non-anchor point to obtain the mean and variance of the Gaussian modeling.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本申请公开了一种基于可变码率的点云压缩方法、装置、设备及存储介质，涉及点云处理技术领域，该方法包括：获取待压缩的第一点云数据和卷积算子之间的通道数量；通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。在本申请中，在用户对压缩后文件的码率存在不同需求的情况下，能够根据不同的卷积算子之间的通道数量，得到相应码率的压缩后文件，从而提高其可用性。

Description

基于可变码率的点云压缩方法、装置、设备及存储介质 技术领域
本申请涉及点云处理技术领域，尤其涉及一种基于可变码率的点云压缩方法、装置、设备及存储介质。
背景技术
随着多媒体技术的进一步发展，点云成为了继图像、视频之后的又一重要的多媒体数据。由于点云数据通常包含大量的点，为了有效地存储和传输点云数据，一个有效的压缩算法是很有必要的。
截至目前，端到端的点云压缩通常采取固定码率，即编码器每秒钟的输出码数据量(或者解码器的输入码率)是固定值。但是固定码率的方式无法满足用户对压缩后文件的码率的不同需求，因此其可用性较低。
发明内容
本申请的主要目的在于提供一种基于可变码率的点云压缩方法、装置、设备及存储介质，旨在解决固定码率的方式无法满足用户对压缩后文件的码率的不同需求，因此其可用性较低的问题。
为实现上述目的，本申请提供一种基于可变码率的点云压缩方法，所述基于可变码率的点云压缩方法包括以下步骤：
获取待压缩的第一点云数据和卷积算子之间的通道数量；
通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
可选地，所述通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据的步骤，包括：
通过预设的卷积模型对所述第一点云数据进行卷积运算，得到卷积数据；
通过预设的熵模型确定所述卷积数据中的锚点和非锚点；
对所述锚点和所述非锚点进行编码，得到第二点云数据。
可选地，所述对所述锚点和所述非锚点进行编码，得到第二点云数据的步骤，包括：
对所述锚点进行编码，得到第一编码数据；
根据所述第一编码数据，对所述非锚点进行编码，得到第二编码数据；
合并所述第一编码数据和所述第二编码数据，得到第二点云数据。
可选地，所述通过预设的熵模型确定所述卷积数据中的锚点和非锚点的步骤，包括：
通过预设的熵模型确定所述卷积数据中各数据点的坐标；
根据所述坐标，对所述数据点的各坐标值取和，并进行模2运算，得到计算结果；
根据所述计算结果，确定所述卷积数据中的锚点和非锚点。
可选地，所述通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据的步骤之后，包括：
将所述第二点云数据反馈给用户，以供用户根据所述第二点云数据及其码率输入下一次压缩过程中，所述卷积模型中卷积算子之间的通道数量。
可选地，所述通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据的步骤，还包括：
通过预设的熵模型对锚点和非锚点进行编码和高斯建模，得到第二点云数据，其中，所述第二点云数据包括编码数据和高斯建模的均值和方差；
将所述编码数据和所述高斯建模的均值和方差发送给算数编码器，以供所述算数编码器通过二次编码消除所述编码数据中的冗余部分。
可选地，所述通过预设的熵模型对锚点和非锚点进行高斯建模，得到高斯建模的均值和方差的步骤，包括：
通过预设的熵模型计算锚点的和非锚点的熵估计信息；
对所述锚点的和非锚点的熵估计信息进行高斯建模，得到高斯建模的均值和方差。
此外，为实现上述目的，本申请还提供一种基于可变码率的点云压缩装置，所述基于可变码率的点云压缩装置包括：
获取模块，用于获取待压缩的第一点云数据和卷积算子之间的通道数量；
压缩模块，用于通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
此外，为实现上述目的，本申请还提供一种基于可变码率的点云压缩设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序配置为实现所述的基于可变码率的点云压缩方法的步骤。
此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质上存储有基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序被处理器执行时实现所述的基于可变码率的点云压缩方法的步骤。
本申请提供了一种基于可变码率的点云压缩方法、装置、设备及存储介质，与相关技术中端到端的点云压缩通常采取固定码率，即编码器每秒钟的输出码数据量(或者解码器的输入码率)是固定值。但是固定码率的方式无法满足用户对压缩后文件的码率的不同需求，因此其可用性较低相比，在本申请中，获取待压缩的第一点云数据和卷积算子之间的通道数量；通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。可以理解，在本申请中，获取待压缩的第一点云数据和卷积算子之间的通道数量，并通过包括与获取到的通道数量对应的卷积通道的卷积模型，得到与通道数量关联的码率的第二点云数据，在用户对压缩后文件的码率存在不同需求的情况下，能够根据不同的卷积算子之间的通道数量，得到相应码率的压缩后文件，从而提高其可用性。
附图说明
图1为本申请基于可变码率的点云压缩方法第一实施例的第一流程示意图；
图2为本申请基于可变码率的点云压缩方法第一实施例的第一场景示意 图；
图3为本申请基于可变码率的点云压缩方法第一实施例的第二场景示意图；
图4为本申请基于可变码率的点云压缩方法第二实施例的第二流程示意图；
图5为本申请基于可变码率的点云压缩方法第二实施例的第三场景示意图；
图6为本申请基于可变码率的点云压缩方法第三实施例的第三流程示意图；
图7为本申请基于可变码率的点云压缩方法第三实施例的第四场景示意图；
图8为本申请基于可变码率的点云压缩装置的结构框图；
图9为本申请实施例方案涉及的硬件运行环境的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请基于可变码率的点云压缩方法第一实施例的第一流程示意图。
在第一实施例中，所述基于可变码率的点云压缩方法包括以下步骤：
步骤S10，获取待压缩的第一点云数据和卷积算子之间的通道数量；
步骤S20，通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
本实施例旨在：获取待压缩的第一点云数据和卷积算子之间的通道数量，并通过包括与获取到的通道数量对应的卷积通道的卷积模型，得到与通道数量关联的码率的第二点云数据，在用户对压缩后文件的码率存在不同需求的 情况下，能够根据不同的卷积算子之间的通道数量，得到相应码率的压缩后文件，从而提高其可用性。
以下阐述具体的步骤：
步骤S10，获取待压缩的第一点云数据和卷积算子之间的通道数量；
需要说明的是，本实施例的执行主体为基于可变码率的点云压缩装置，所述基于可变码率的点云压缩装置可以是从属于基于可变码率的点云压缩设备。
可以理解的是，所述点云是指目标表面特性的点集合，即在获取物体表面每个采样点的空间坐标后，得到的一个点的集合。
在具体实施中，所述基于可变码率的点云压缩装置从目标设备中获取第一点云数据，所述目标设备具备采集物品表面的点数据的能力。
例如，当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息；若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点云。
可以理解的是，所述卷积算子之间的通道数量由用户根据实际需求输入。
在具体实施中，所述基于可变码率的点云压缩装置通过可视化界面，获取用户输入的卷积算子之间的通道数量。
例如，在码率为0.5的情况下，采用的卷积模型中卷积算子之间的通道数量为32，用户可以根据实际需求(即码率更低的需求)改变通道数量为16，则可以得到码率为0.3的第二点云数据。
步骤S20，通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
需要说明的是，所述第二点云数据的码率与算法复杂度关联，所述算法复杂度与通道数量关联。
可以理解的是，所述算法复杂度随通道数量增大而增大，所述第二点云数据的码率随算法复杂度增大而增大，即码率第二点云数据的码率与算法复杂度和通道数量关联。
需要说明的是，参照图2，点云压缩包括几何压缩与属性压缩，几何压缩 是对几何位置(坐标)进行编码，属性压缩是对每个点的附带属性如RGB进行编码，点云几何编码或属性编码包括以下流程：变换、量化、熵编码、熵模型解码、反量化和反变换。
可以理解的是，在点云编码的变换过程中，基于Minkowski引擎引入一个自适应的卷积算子，称为通道自适应稀疏卷积算子(Adaptive Sparse Convolution Operator，AdaSConv)；该算子可以依据用户输入的通道数量自适应地调整自身的输入与输出通道数量。
在具体实施中，对于普通的稀疏卷积算子，假定输入和输出的坐标分别为和其第k个位置的核权重为Wk，其输入做一次稀疏卷积运算输出特征图为：
其中，k为在感受野内的占据点(Occupied Points)，Kd为卷积核的大小。由稀疏卷积规定，只有感受野下的占据点才会被计算，即满足：
在本实施例中，如图3所示，所提出的AdaSConv能够处理具有不同通道配置的输入(或)，并动态计算具有不同通道的输出特征图(Cout)。
可以理解的是，所述基于可变码率的点云压缩装置通过包括与用户输的通道数量对应的卷积通道的卷积模型，对第一点云数据进行压缩，得到码率与用户输入的通道数量关联的第二点云数据。
在具体实施中，用户可以在单一模型下通过改变卷积通道的数量调整计算复杂度，并进一步调整码率。
在具体实施中，对于AdaSConv算子，假设其权重为对于第m个输出有：
其中，Wk(m,n)指的是在以m为输出位置与以n为输入位置的卷积核；卷积的总的特征图的输出则表示为：
其中，m可以取为从1到Cout的任何数；对于每一个m，将Fout(m)组装起来，便为最终的特征输出。
具体地，所述步骤S20的步骤之后，还包括步骤S21：
步骤S21，将所述第二点云数据反馈给用户，以供用户根据所述第二点云数据及其码率输入下一次压缩过程中，所述卷积模型中卷积算子之间的通道数量。
在具体实施中，在通过压缩得到第二点云数据后，所述基于可变码率的点云压缩装置将第二点云数据及其码率反馈给用户，用户根据实际需求，输入下一次压缩过程中卷积模型中卷积算子之间的通道数量。
在本实施例中，与相关技术中端到端的点云压缩通常采取固定码率，即编码器每秒钟的输出码数据量(或者解码器的输入码率)是固定值。但是固定码率的方式无法满足用户对压缩后文件的码率的不同需求，因此其可用性较低相比，在本实施例中，获取待压缩的第一点云数据和卷积算子之间的通道数量；通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。即在本实施例中，获取待压缩的第一点云数据和卷积算子之间的通道数量，并通过包括与获取到的通道数量对应的卷积通道的卷积模型，得到与通道数量关联的码率的第二点云数据，在用户对压缩后文件的码率存在不同需求的情况下，能够根据不同的卷积算子之间的通道数量，得到相应码率的压缩后文件，从而提高其可用性。
进一步地，参照图4，基于上述实施例，提供本申请的第二实施例，在本实施例中，所述步骤S20，还包括以下步骤：
步骤A10，通过预设的卷积模型对所述第一点云数据进行卷积运算，得到卷积数据；
需要说明的是，所述基于可变码率的点云压缩装置通过预设的卷积模型对第一点云数据进行卷积运算，得到卷积数据。
可以理解的是，参照图5，所述基于可变码率的点云压缩装置通过DownC1、DownC2、DownC3、UpC1、UpC2和UpC3对第一点云数据进行变换(压缩中的一个过程)，再通过Entropy Models(熵模型)变换后的卷积数据进行熵编码。
步骤A20，通过预设的熵模型确定所述卷积数据中的锚点和非锚点；
需要说明的是，在熵编码过程中，所述基于可变码率的点云压缩装置通过熵模型，根据统计特性消除统计冗余。
可以理解的是，所述基于可变码率的点云压缩装置通过熵模型，并通过上下文的方式将待编码的数据点划分为锚点和非锚点，以实现无损压缩。
在具体实施中，所述基于可变码率的点云压缩装置确定卷积数据中各数据点的坐标，并根据坐标确定锚点和非锚点。
具体地，所述步骤A20，还包括步骤A21-A23：
步骤A21，通过预设的熵模型确定所述卷积数据中各数据点的坐标；
在具体实施中，在通过变换网络之后，所述基于可变码率的点云压缩装置记经过变换网络的之后坐标和其对应的特征为CY和FY。
步骤A22，根据所述坐标，对所述数据点的各坐标值取和，并进行模2运算，得到计算结果；
在具体实施中，为了实现所有的锚点与非锚点相邻，所述基于可变码率的点云压缩装置将每一点的x,y,z的值取和，并模2，得到计算结果(0或1)。
步骤A23，根据所述计算结果，确定所述卷积数据中的锚点和非锚点。
在具体实施中，如果模2之后值为0，则所述基于可变码率的点云压缩装置将该数据点定为锚点；如果模2之后值为1，所述基于可变码率的点云压缩装置将该数据点定为非锚点。
步骤A30，对所述锚点和所述非锚点进行编码，得到第二点云数据。
需要说明的是，所述基于可变码率的点云压缩装置通过熵模型对锚点和非锚点进行编码，编码过程中按熵原理不丢失任何信息的编码。
在具体实施中，所述基于可变码率的点云压缩装置先对锚点进行编码，再根据编码后的锚点的信息对非锚点进行编码。
具体地，所述步骤A30，还包括步骤A31-A33：
步骤A31，对所述锚点进行编码，得到第一编码数据；
在具体实施中，所述基于可变码率的点云压缩装置对锚点进行编码，得到第一编码数据。
步骤A32，根据所述第一编码数据，对所述非锚点进行编码，得到第二编码数据；
在具体实施中，所述基于可变码率的点云压缩装置结合第一编码数据，对非锚点进行编码，得到第二编码数据。
步骤A33，合并所述第一编码数据和所述第二编码数据，得到第二点云 数据。
可以理解的是，第一编码数据和第二编码数据是指全部由第一点云数据压缩得到的第二点云数据。
在本实施例中，与相关技术中单帧点云的点数可能非常巨大，这导致基于自回归的解码过程非常耗时相比，在本实施例中，通过预设的卷积模型对所述第一点云数据进行卷积运算，得到卷积数据；通过预设的熵模型确定所述卷积数据中的锚点和非锚点；对所述锚点和所述非锚点进行编码，得到第二点云数据。即在本实施例中，通过预设的卷积模型得到卷积数据，再通过预设的熵模型确定卷积数据中的锚点和非锚点，并对锚点和非锚点进行编码，得到第二点云数据，以通过熵模型并结合上下文方法，降低非锚点部分特征的码流大小，从而减少解码过程的耗时。
进一步地，参照图6，基于上述实施例，提供本申请的第三实施例，在本实施例中，所述步骤S20，还包括以下步骤：
步骤B10，通过预设的熵模型对锚点和非锚点进行编码和高斯建模，得到第二点云数据，其中，所述第二点云数据包括编码数据和高斯建模的均值和方差；
可以理解的是，所述基于可变码率的点云压缩装置通过预设的熵模型对锚点和非锚点进行编码和高斯建模。
在具体实施中，如图7所示，将Γα(Y)和Γβ(Y)记为Γ(Y)的锚点部分与非锚点部分，超先验编码网络将Γ(Y)变换成Γ(Z)，并给出所述基于可变码率的点云压缩装置标记的锚点部分为锚点Γα(Y)的熵估计信息Φα＝(μα,σα)由给出：
可以理解的是，锚点为非锚点提供了上下文信息。
在具体实施中，如图7所示，所述基于可变码率的点云压缩装置记非锚点参照锚点的上下文信息为Ωβ，Ωβ由上下文模块gcm取得；gcm由三维掩码卷积算子组成：
所述基于可变码率的点云压缩装置采用上下文信息Ωβ与超先验网络的解码信息的部分，共同预测非锚点的熵估计Φβ＝(μβ,σβ)：
所述基于可变码率的点云压缩装置建模对隐藏表征(Latent Representation)单变量的高斯分布为：
其中，μ和σ是锚点和非锚点的高斯建模的均值和方差，分别表示为μ＝[μα,μβ]和σ＝[σα,σβ]。
具体地，所述步骤B10，还包括：
步骤B11，通过预设的熵模型计算锚点的和非锚点的熵估计信息；
在具体实施中，所述基于可变码率的点云压缩装置通过预设的熵模型计算锚点的熵估计信息，再参照锚点的上下文信息计算非锚点的熵估计信息。
步骤B12，对所述锚点的和非锚点的熵估计信息进行高斯建模，得到高斯建模的均值和方差。
在具体实施中，所述基于可变码率的点云压缩装置对锚点的和非锚点的熵估计信息进行高斯建模，得到高斯建模的均值和方差。
步骤B20，将所述编码数据和所述高斯建模的均值和方差发送给算数编码器，以供所述算数编码器通过二次编码消除所述编码数据中的冗余部分。
需要说明的是，所述编码数据是指通过预设的熵模型对锚点和非锚点进行编码所得到的数据。
可以理解的是，所述编码器结合高斯建模的均值和方差，对编码数据进行重新编码，以消除编码数据中的冗余部分。
在本实施例中，与相关技术中单帧点云的点数可能非常巨大，这导致基于自回归的解码过程非常耗时相比，在本实施例中，通过预设的熵模型对锚点和非锚点进行编码和高斯建模，得到第二点云数据，其中，所述第二点云数据包括编码数据和高斯建模的均值和方差；将所述编码数据和所述高斯建模的均值和方差发送给算数编码器，以供所述算数编码器通过二次编码消除所述编码数据中的冗余部分。即在本实施例中，通过预设的熵模型对锚点和非锚点进行编码和高斯建模，并将编码数据和高斯建模的均值和方差发送给算数编码器，算数编码器通过二次编码消除编码数据中的冗余部分，通过编码数据和高斯建模的均值和方差去除冗余数据，以精简点云数据，从而减少后续解码过程的耗时。
此外，本申请实施例还提出一种基于可变码率的点云压缩装置，参照图8，所述基于可变码率的点云压缩装置包括：
获取模块10，用于获取待压缩的第一点云数据和卷积算子之间的通道数量；
压缩模块20，用于通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
可选地，所述压缩模块，还包括：
卷积单元，用于通过预设的卷积模型对所述第一点云数据进行卷积运算，得到卷积数据；
确定单元，用于通过预设的熵模型确定所述卷积数据中的锚点和非锚点；
编码单元，用于对所述锚点和所述非锚点进行编码，得到第二点云数据。
可选地，所述编码单元，还包括：
第一子编码单元，用于对所述锚点进行编码，得到第一编码数据；
第二子编码单元，用于根据所述第一编码数据，对所述非锚点进行编码，得到第二编码数据；
合并子编码单元，用于合并所述第一编码数据和所述第二编码数据，得到第二点云数据。
可选地，所述确定单元，还包括：
坐标子确定单元，用于通过预设的熵模型确定所述卷积数据中各数据点的坐标；
计算子确定单元，用于根据所述坐标，对所述数据点的各坐标值取和，并进行模2运算，得到计算结果；
数据点子确定单元，用于根据所述计算结果，确定所述卷积数据中的锚点和非锚点。
可选地，所述基于可变码率的点云压缩装置，还包括：
反馈模块，用于将所述第二点云数据反馈给用户，以供用户根据所述第二点云数据及其码率输入下一次压缩过程中，所述卷积模型中卷积算子之间的通道数量。
可选地，所述压缩模块，还包括：
建模单元，用于通过预设的熵模型对锚点和非锚点进行编码和高斯建模，得到第二点云数据，其中，所述第二点云数据包括编码数据和高斯建模的均值和方差；
发送单元，用于将所述编码数据和所述高斯建模的均值和方差发送给算数编码器，以供所述算数编码器通过二次编码消除所述编码数据中的冗余部分。
可选地，所述建模单元，还包括：
计算子建模单元，用于通过预设的熵模型计算锚点的和非锚点的熵估计信息；
高斯子建模单元，用于对所述锚点的和非锚点的熵估计信息进行高斯建模，得到高斯建模的均值和方差。
在本实施例中，获取待压缩的第一点云数据和卷积算子之间的通道数量；通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。即在本实施例中，获取待压缩的第一点云数据和卷积算子之间的通道数量，并通过包括与获取到的通道数量对应的卷积通道的卷积模型，得到与通道数量关联的码率的第二点云数据，在用户对压缩后文件的码率存在不同需求的情况下，能够根据不同的卷积算子之间的通道数量，得到相应码率的压缩后文件，从而提高其可用性。
本申请基于可变码率的点云压缩装置的具体实施方式与上述基于可变码率的点云压缩方法各实施例基本相同，在此不再赘述。
参照图9，图9为本申请实施例方案涉及的硬件运行环境的基于可变码率的点云压缩设备结构示意图。
如图9所示，该基于可变码率的点云压缩设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线 接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图9中示出的结构并不构成对基于可变码率的点云压缩设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图9所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于可变码率的点云压缩程序。
其中，操作系统是管理和控制基于可变码率的点云压缩设备与软件资源的程序，支持网络通信模块、用户接口模块、基于可变码率的点云压缩程序以及其他程序或软件的运行，网络通信模块用于管理和控制网络接口1004；用户接口模块用于管理和控制用户接口1003。
在图9所示的基于可变码率的点云压缩设备中，所述基于可变码率的点云压缩设备通过处理器1001调用存储器1005中存储的基于可变码率的点云压缩程序，实现上述任一项所述的基于可变码率的点云压缩方法的步骤。
本申请基于可变码率的点云压缩设备具体实施方式与上述基于可变码率的点云压缩方法各实施例基本相同，在此不再赘述。
此外，本发明实施例还提出一种存储介质，本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于可变码率的点云压缩方法的步骤。
本申请存储介质具体实施方式与上述基于可变码率的点云压缩方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是 还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种基于可变码率的点云压缩方法，其特征在于，所述基于可变码率的点云压缩方法包括以下步骤：
    获取待压缩的第一点云数据和卷积算子之间的通道数量；
    通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
  2. 如权利要求1所述的基于可变码率的点云压缩方法，其特征在于，所述通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据的步骤，包括：
    通过预设的卷积模型对所述第一点云数据进行卷积运算，得到卷积数据；
    通过预设的熵模型确定所述卷积数据中的锚点和非锚点；
    对所述锚点和所述非锚点进行编码，得到第二点云数据。
  3. 如权利要求2所述的基于可变码率的点云压缩方法，其特征在于，所述对所述锚点和所述非锚点进行编码，得到第二点云数据的步骤，包括：
    对所述锚点进行编码，得到第一编码数据；
    根据所述第一编码数据，对所述非锚点进行编码，得到第二编码数据；
    合并所述第一编码数据和所述第二编码数据，得到第二点云数据。
  4. 如权利要求2所述的基于可变码率的点云压缩方法，其特征在于，所述通过预设的熵模型确定所述卷积数据中的锚点和非锚点的步骤，包括：
    通过预设的熵模型确定所述卷积数据中各数据点的坐标；
    根据所述坐标，对所述数据点的各坐标值取和，并进行模2运算，得到计算结果；
    根据所述计算结果，确定所述卷积数据中的锚点和非锚点。
  5. 如权利要求1所述的基于可变码率的点云压缩方法，其特征在于，所 述通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据的步骤之后，包括：
    将所述第二点云数据反馈给用户，以供用户根据所述第二点云数据及其码率输入下一次压缩过程中，所述卷积模型中卷积算子之间的通道数量。
  6. 如权利要求1所述的基于可变码率的点云压缩方法，其特征在于，所述通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据的步骤，还包括：
    通过预设的熵模型对锚点和非锚点进行编码和高斯建模，得到第二点云数据，其中，所述第二点云数据包括编码数据和高斯建模的均值和方差；
    将所述编码数据和所述高斯建模的均值和方差发送给算数编码器，以供所述算数编码器通过二次编码消除所述编码数据中的冗余部分。
  7. 如权利要6所述的基于可变码率的点云压缩方法，其特征在于，所述通过预设的熵模型对锚点和非锚点进行高斯建模，得到高斯建模的均值和方差的步骤，包括：
    通过预设的熵模型计算锚点的和非锚点的熵估计信息；
    对所述锚点的和非锚点的熵估计信息进行高斯建模，得到高斯建模的均值和方差。
  8. 一种基于可变码率的点云压缩装置，其特征在于，所述基于可变码率的点云压缩装置包括：
    获取模块，用于获取待压缩的第一点云数据和卷积算子之间的通道数量；
    压缩模块，用于通过预设的卷积模型对所述第一点云数据进行压缩，得到第二点云数据，其中，所述卷积模型包括与所述通道数量对应的卷积通道，所述第二点云数据的码率与所述通道数量关联。
  9. 如权利要求8所述的基于可变码率的点云压缩装置，其特征在于，所述压缩模块，还包括：
    卷积单元，用于通过预设的卷积模型对所述第一点云数据进行卷积运算， 得到卷积数据；
    确定单元，用于通过预设的熵模型确定所述卷积数据中的锚点和非锚点；
    编码单元，用于对所述锚点和所述非锚点进行编码，得到第二点云数据。
  10. 如权利要求9所述的基于可变码率的点云压缩装置，其特征在于，所述编码单元，还包括：
    第一子编码单元，用于对所述锚点进行编码，得到第一编码数据；
    第二子编码单元，用于根据所述第一编码数据，对所述非锚点进行编码，得到第二编码数据；
    合并子编码单元，用于合并所述第一编码数据和所述第二编码数据，得到第二点云数据。
  11. 如权利要求9所述的基于可变码率的点云压缩装置，其特征在于，所述确定单元，还包括：
    坐标子确定单元，用于通过预设的熵模型确定所述卷积数据中各数据点的坐标；
    计算子确定单元，用于根据所述坐标，对所述数据点的各坐标值取和，并进行模2运算，得到计算结果；
    数据点子确定单元，用于根据所述计算结果，确定所述卷积数据中的锚点和非锚点。
  12. 如权利要求8所述的基于可变码率的点云压缩装置，其特征在于，所述基于可变码率的点云压缩装置，还包括：
    反馈模块，用于将所述第二点云数据反馈给用户，以供用户根据所述第二点云数据及其码率输入下一次压缩过程中，所述卷积模型中卷积算子之间的通道数量。
  13. 如权利要求8所述的基于可变码率的点云压缩装置，其特征在于，所述压缩模块，还包括：
    建模单元，用于通过预设的熵模型对锚点和非锚点进行编码和高斯建模， 得到第二点云数据，其中，所述第二点云数据包括编码数据和高斯建模的均值和方差；
    发送单元，用于将所述编码数据和所述高斯建模的均值和方差发送给算数编码器，以供所述算数编码器通过二次编码消除所述编码数据中的冗余部分。
  14. 如权利要求13所述的基于可变码率的点云压缩装置，其特征在于，所述建模单元，还包括：
    计算子建模单元，用于通过预设的熵模型计算锚点的和非锚点的熵估计信息；
    高斯子建模单元，用于对所述锚点的和非锚点的熵估计信息进行高斯建模，得到高斯建模的均值和方差。
  15. 一种基于可变码率的点云压缩设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序配置为实现如权利要求1所述的基于可变码率的点云压缩方法的步骤。
  16. 一种基于可变码率的点云压缩设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序配置为实现如权利要求2所述的基于可变码率的点云压缩方法的步骤。
  17. 一种基于可变码率的点云压缩设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序配置为实现如权利要求3所述的基于可变码率的点云压缩方法的步骤。
  18. 一种基于可变码率的点云压缩设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可变 码率的点云压缩程序，所述基于可变码率的点云压缩程序配置为实现如权利要求4所述的基于可变码率的点云压缩方法的步骤。
  19. 一种基于可变码率的点云压缩设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序配置为实现如权利要求5所述的基于可变码率的点云压缩方法的步骤。
  20. 一种存储介质，其特征在于，所述存储介质上存储有基于可变码率的点云压缩程序，所述基于可变码率的点云压缩程序被处理器执行时实现如权利要求1所述的基于可变码率的点云压缩方法的步骤。
PCT/CN2024/073221 2024-01-19 2024-01-19 基于可变码率的点云压缩方法、装置、设备及存储介质 Pending WO2025152143A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2024/073221 WO2025152143A1 (zh) 2024-01-19 2024-01-19 基于可变码率的点云压缩方法、装置、设备及存储介质
CN202480000085.5A CN118104235A (zh) 2024-01-19 2024-01-19 基于可变码率的点云压缩方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2024/073221 WO2025152143A1 (zh) 2024-01-19 2024-01-19 基于可变码率的点云压缩方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2025152143A1 true WO2025152143A1 (zh) 2025-07-24

Family

ID=91156712

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/073221 Pending WO2025152143A1 (zh) 2024-01-19 2024-01-19 基于可变码率的点云压缩方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN118104235A (zh)
WO (1) WO2025152143A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119052510B (zh) * 2024-08-16 2025-09-23 华中科技大学 一种三维体视频编码压缩方法
CN119697370B (zh) * 2024-12-02 2025-10-10 北京大学深圳研究生院 动态点云压缩方法、装置、设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220381914A1 (en) * 2021-05-30 2022-12-01 Ran Cheng Systems and methods for sparse convolution of unstructured data
CN115661275A (zh) * 2022-10-20 2023-01-31 浙江工商大学 一种基于通道增益的可变速率稀疏点云压缩方法
CN115988215A (zh) * 2022-12-12 2023-04-18 上海交通大学 可变码率图像压缩方法、系统、装置、终端及存储介质
CN116567240A (zh) * 2023-06-08 2023-08-08 中国科学技术大学 基于自适应通道和空间窗口熵模型的图像压缩方法及系统
CN117315189A (zh) * 2023-07-18 2023-12-29 北京大学深圳研究生院 点云重建方法、系统、终端设备及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220381914A1 (en) * 2021-05-30 2022-12-01 Ran Cheng Systems and methods for sparse convolution of unstructured data
CN115661275A (zh) * 2022-10-20 2023-01-31 浙江工商大学 一种基于通道增益的可变速率稀疏点云压缩方法
CN115988215A (zh) * 2022-12-12 2023-04-18 上海交通大学 可变码率图像压缩方法、系统、装置、终端及存储介质
CN116567240A (zh) * 2023-06-08 2023-08-08 中国科学技术大学 基于自适应通道和空间窗口熵模型的图像压缩方法及系统
CN117315189A (zh) * 2023-07-18 2023-12-29 北京大学深圳研究生院 点云重建方法、系统、终端设备及计算机存储介质

Also Published As

Publication number Publication date
CN118104235A (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
WO2025152143A1 (zh) 基于可变码率的点云压缩方法、装置、设备及存储介质
CN112104867B (zh) 一种视频处理方法、视频处理装置、智能设备及存储介质
JP7687633B2 (ja) レート制御に基づく強化学習
KR102472971B1 (ko) 인공지능 모델을 이용한 동영상 인코딩 최적화 방법, 시스템, 및 컴퓨터 프로그램
CN110248210B (zh) 视频传输优化方法
CN102187656A (zh) 像素预测值生成顺序自动生成方法、图像编码方法、图像解码方法、其装置、其程序和记录了这些程序的记录介质
WO2022121648A1 (zh) 点云数据编码方法、解码方法、设备、介质及程序产品
CN118842912A (zh) 一种编码方法、解码方法及相关设备
US6594375B1 (en) Image processing apparatus, image processing method, and storage medium
JP2009246540A (ja) 符号化装置、符号化方法および符号化プログラム
CN115620188A (zh) 视频推理方法、装置、电子设备及存储介质
CN112637609B (zh) 图像实时传输方法、发送端及接收端
WO2024234593A1 (zh) 数据编码、解码方法、装置、计算机设备和存储介质
KR102674457B1 (ko) 미디어 처리 방법
CN112183227B (zh) 一种智能泛人脸区域的编码方法和设备
CN116405704A (zh) 一种直播数据推流方法、系统、计算机设备及介质
CN101616319A (zh) 数据处理方法及服务设备
CN114615501B (zh) 视频编码转换方法、装置、设备及存储介质
US9854260B2 (en) Key frame aligned transcoding using key frame list file
CN114640844B (zh) 直播视频编码中的参考块搜索方法、装置及计算机设备
CN117132716B (zh) 一种动力环境监控方法、装置、电子设备及存储介质
CN119011861B (zh) 图片解码方法及相关产品
CN114640860B (zh) 一种网络数据处理与传输方法及系统
US20140254657A1 (en) Key frame aligned transcoding using statistics file
CN111885378B (zh) 多媒体数据编码方法、装置、设备以及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24917767

Country of ref document: EP

Kind code of ref document: A1