基于小波的稀疏体素数据压缩与多分辨实时绘制

为减少多分辨稀疏体素的存储空间并提高其绘制效率,提出一种基于小波的稀疏体素数据压缩与实时绘制算法.在稀疏体素生成阶段,基于小波的多分辨和稀疏体素的稀疏特性,利用多级三维Haar小波变换将高分辨率的稀疏体素转换为低分辨稀疏体素和多级细节信息,并采用紧凑的编码方式对小波系数进行编码,实现对多层级稀疏体素的数据压缩;在交互绘制阶段,结合稀疏体素八叉树光线投射算法,以低分辨体素节点为交互过程中的着色计算图元,交互过程终止后通过三维Harr小波逆变换逐级添加细节信息还原得到高分辨体素,进而实现多分辨绘制;最后充分利用多核CPU并行加速多分辨光线投射算法.对不同复杂度的面片模型进行压缩与绘制,实例计算表明,该算法高效且易于实现.

激光点云的稀疏体素金字塔邻域构建与分类

目的在点云分类处理的各环节中,关键是准确描述点云的局部邻域结构并提取表达能力强的点云特征集合。为了改进传统邻域结构单尺度特征表达能力的有限性和多尺度特征的计算复杂性,本文提出了用于激光点云分类的稀疏体素金字塔邻域结构及对应的分类方法。方法通过对原始数据进行不同尺度下采样构建稀疏体素金字塔,并根据稀疏体素金字塔提取多尺度特征,利用随机森林分类器进行初始分类;构建无向图,利用直方图交集核计算邻域点之间连接边的权重,通过多标签图割算法优化分类结果。当体素金字塔的接收域增大时,邻域点密度随其距离中心点距离的增加而减小,有效减少了计算量。结果在地基Semantic3D数据集、车载点云数据和机载点云数据上进行实验,结果表明,在降低计算复杂性的前提下,本文方法的分类精度、准确性和鲁棒性达到了同类算法前列,验证了该框架作为点云分类基础框架的有效性。结论与类似方法相比,本文方法提取的多尺度特征既保持了点的局部结构信息,也更好地兼顾了较大尺度的点云结构特征,因而提升了点云分类的精度。

一种加速渲染NeRF烘焙数据的方法

针对基于神经辐射场的渲染方法虽然具备低人工参与度下的照片级别图像生成能力,但是生成图像的时间过长、难以实现实时渲染的问题,文章聚焦于提升神经辐射场的实时渲染性能,从神经辐射场体渲染环节处着手,以烘焙数据为渲染资产,针对利用八叉树保存体素数据无法达到常数访问时间复杂度的问题,提出了一种基于八叉树的扁平化稀疏体素存储方式,以及相应的渲染采样算法。实验结果表明,在使用神经辐射场(Neural Radiance Field,NeRF)合成数据集渲染800×800分辨率的图像时,可以达到268.83的平均帧率,高于其他对比方法。

基于可变比特率编码无环图的图像无损压缩

为提高图像数据压缩算法性能,提出一种基于可变比特率块编码无环图模型的图像无损压缩。首先,从零初始化索引开始,沿着从根到叶的路径遍历时,使用遍历过程中体素计数的运行和计算完整树遍历中特定节点之前的体素数量,获得连续表示的基于稀疏体素八叉树DAG体素索引模型;其次,在离线图像压缩格式和固定比特块编码之间的中间位置,引入一个二进制搜索来定位所含的块,使用比实际要求的请求错误阈值所需比特来描述图像数据块,实现更好的数据压缩性能;最后,通过仿真实验验证了所提算法在图像以及矢量图像数据压缩上的性能优势。