SPC-NeRF：基于体素的辐射场的空间预测压缩技术

《ACM Transactions on Multimedia Computing, Communications, and Applications》：SPC-NeRF: Spatial Predictive Compression for Voxel-Based Radiance Field

本文提出SPC-NeRF框架，利用空间预测编码优化显式体素网格（EVG）压缩，通过自适应量化精度和新型损失函数平衡压缩率与渲染质量，实验表明其比特节省率达32%，训练效率与基准方法VQRF相当。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

使用显式的体素网格（EVG）表示神经辐射场（NeRF）是改进NeRF的一个有前景的方向。然而，由于巨大的内存成本，EVG表示在存储和传输方面效率不高。现有的EVG压缩方法主要继承了为神经网络压缩设计的方法，如剪枝和量化，这些方法没有充分利用体素网格中的空间相关性。受蓬勃发展的数字图像压缩技术的启发，本文提出了SPC-NeRF，这是一个在EVG NeRF压缩中应用空间预测编码的新框架。所提出的框架可以有效地去除空间冗余，从而提高压缩性能。我们的框架包含一个渐进式编码过程，根据体素的不同重要性实现自适应量化精度。此外，我们对框架的编码比特率进行了建模，并设计了一种新的损失函数形式。通过这种损失函数，我们可以同时优化压缩比和渲染失真，以实现更高的编码效率。广泛的实验表明，与基准方法VQRF相比，我们的方法在多个代表性测试数据集上可以实现32%的比特节省，并且训练时间相当。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章是权威的记录版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。