计算机辅助设计与图形学学报

作者：江照意, 邹文钦, 宋超, 杨柏林

关键词：可变比特率, 点云压缩, 注意力机制, 子点卷积

针对现有基于深度学习的点云压缩方法需要训练多个网络, 耗费大量的时间和空间资源的缺陷, 提出一种基于通道增益的可变比特率点云压缩方法. 首先在网络的编码端利用层次化结构, 通过每个层级提取点云特征和应用偏移注意力机制, 有效地捕捉输入点云的关键特征信息; 然后引入增益单元评估和缩放各个隐向量通道的重要度, 消除向量通道间的信息冗余, 仅需训练单个网络即可实现可变比特率压缩; 为了预测特征向量的概率分布, 对特征向量进行超先验编码, 构造高斯熵模型, 通过熵编码进一步降低编码量; 最后在解码端采用子点卷积进行上采样重构原始点云, 避免顶点的局部聚集, 提高点云的重构质量. 实验结果表明, 在ShapeNet数据集上, 以率失真曲线的BD-rate作为性能评价指标, 与VRR和Draco方法相比, 平均比特率分别降低48. 66%和63. 56%; 压缩性能得到了显著的提升.

来源：2024年第11期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2024年第11期