DALD-PCAC：一种用于点云无损属性压缩的密度自适应学习描述符

《ACM Transactions on Multimedia Computing, Communications, and Applications》：DALD-PCAC: Density-Adaptive Learning Descriptor for Point Cloud Lossless Attribute Compression

针对稀疏和不规则点云数据的压缩难题，本文提出DALD-PCAC框架，结合LoD分层、Transformer注意力机制和密度自适应学习描述符，优化块分区策略实现性能与复杂度平衡。实验验证其在LiDAR和物体点云数据上达到SOTA性能，显著提升压缩效率并保持鲁棒性。

　　

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

最近，深度学习显著提升了点云几何压缩的性能。然而，针对不同密度的点云进行基于学习的无损属性压缩的研究还不够充分。在本文中，我们开发了一个基于学习的框架，即DALD-PCAC，该框架利用细节层次（LoD）来定制点云的无损属性压缩。我们采用了一种排列不变的Transformer来开发逐点注意力模型，以应对点云在上下文建模过程中的稀疏性和不规则性问题。我们还提出了一种密度自适应学习描述符（DALD），能够捕捉大范围邻居点之间的结构和相关性。此外，我们开发了一种基于先验的块划分方法，以减少块内的属性方差并提高性能。在LiDAR和对象点云上的实验表明，DALD-PCAC在大多数数据上实现了最先进的性能。我们的方法提高了压缩性能，并且对点云的不同密度具有鲁棒性。此外，它在性能和复杂性之间取得了良好的平衡，在实际应用中展现了巨大潜力。源代码可在https://github.com/zb12138/DALD_PCAC获取。

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，并非由文章作者编写或审核的。它旨在帮助发现、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，后者仍是文章的正式摘要。完整文章才是权威版本。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。您的反馈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。