基于混合上下文熵模型的点云几何编码算法

针对三维点云存在的大量空域冗余信息,提出一种基于混合上下文熵模型的点云几何编码算法框架.通过多层感知机与Resnet网络分别对基于八叉树结构的点云和基于体素结构的点云特征进行上下文特征提取,并使用选择单元对上下文信息进行裁剪、选择和融合,使网络能够针对当前编码体素建立更加准确的概率模型,从而提高三维点云的压缩效果.同时,针对模型复杂度高的问题提出并行多尺度自回归进行概率估计的方案,大大降低了编解码时间.实验结果表明:点云几何编码算法能够有效降低每个体素所占的比特数并且整个编码过程无损;与G-PCC编码算法相比,压缩后比特率下降了14.27%.

一种基于神经网络的动态获取点云编码方法

由于点云数据的稀疏性和无序性,导致其很难被压缩到较小的空间中,为此,可以将三维点云图像转换成二维距离图像,然后使用传统方法进行压缩。但传统方法在压缩过程中难以去除点云数据的相关性,对此,本文设计了一种基于神经网络的改变点云数据分布特点的方法。我们在神经网络中加入了广义除法归一化层,通过线性变换级联非线性变换,实现对点云数据的映射和高斯化,增强点云数据的空间相关性。同时,在解码步骤中使用残差网络增加网络深度,这将使网络有更好的泛化性能,从而达到更好的图像编码效果。与其他方法相比,本文针对二维点云距离图像对网络进行了优化,并且在保持相同质量情况下,码率节省了4.78%~5.63%,取得了更好的图像压缩编码效果。