基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明:Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。

基于码流的G-PCC压缩点云无参考感知质量评估

为了实现对采用G-PCC编码的点云质量的实时监控,提出一种基于码流的无参考点云感知质量评估模型。首先根据主观实验的结果分析确定几何无损时点云的感知质量与纹理量化参数之间的关系,然后使用纹理量化参数和纹理比特率来预测纹理复杂度,结合空域掩盖效应建立几何无损时的点云质量评估模型。然后研究位置量化尺度对点云下采样质量的影响,发现纹理量化参数与位置量化尺度对点云质量的影响相互独立,并最终得到完整的点云质量评估模型。对该模型在WPC4点云数据库中进行测试,其SRCC为0.9447,PLCC为0.9465,RMSE为6.8252,表明该模型有良好的性能,与现有性能最好的GraphSIM客观指标相比,该模型指标的PLCC和SRCC分布分别提高了0.0223和0.0238,RMSE降低了1.1898。

基于v-SVR的无参考3D点云质量评估模型

为了实现对3D点云质量有效监控,提出一种基于v-SVR的无参考3D点云质量评估模型。首先,分析失真点云编码相关参数与主观质量之间的关系,确定编码设置对主观质量的影响。其次,分析相同编码设置下不同内容特性对主观质量的影响,并提出了一个能够估计表征点云内容特性的几何特性因子和纹理特性因子的模型。最后,将量化参数、位置量化尺度、纹理特征因子、几何特征因子作为v-SVR的输入参数,主观质量分数作为输出参数,训练并得出一个反映人眼视觉特性的无参考3D点云质量评估模型。实验结果表明,与其他典型点云质量评估模型(Pointssim、PSNR-Y、PCMrr)相比,本文模型得到客观质量分数与主观质量分数的皮尔森相关系数分别提高了0.3265、0.1855、0.1748,均方根误差分别下降了6.3174、3.8350、3.6050。