Learned Nonlinear Predictor for Critically Sampled 3D Point Cloud Attribute Compression
Notice bibliographique
Résumé
We study 3D point cloud attribute compression via a volumetric approach: assuming point cloud geometry is known at both encoder and decoder, parameters $\theta$ of a continuous attribute function $f: \mathbb{R}^{3} \mapsto \mathbb{R}$ are quantized to $\hat{\theta}$ and encoded, so that discrete samples $f_{\hat{\theta}}\left(\mathbf{x}_{i}\right)$ can be recovered at known 3D points $\mathbf{x}_{i} \in \mathbb{R}^{3}$ at the decoder. Specifically, we consider a nested sequences of function subspaces ${\mathcal{F}}_{l_{0}}^{(p)} \subseteq \cdots \subseteq {\mathcal{F}}_{L}^{(p)}$, where ${\mathcal{F}}_{l}^{(p)}$ is a family of functions spanned by B-spline basis functions of order $p, f_{l}^{*}$ is the projection of f on ${\mathcal{F}}_{l}^{(p)}$ represented as low-pass coefficients $F_{l}^{*}$, and $g_{l}^{*}$ is the residual function in an orthogonal subspace ${\mathcal{G}}_{l}^{(p)}$ (where ${\mathcal{G}}_{l}^{(p)} \oplus {\mathcal{F}}_{l}^{(p)}=$ $\left.{\mathcal{F}}_{l+1}^{(p)}\right)$ represented as high-pass coefficients $G_{l}^{*}$. In this paper, to improve coding performance over [1], we study predicting $f_{l+1}^{*}$ at level $l+1$ given $f_{l}^{*}$ at level l and encoding of $G_{l}^{*}$ for the $p=1$ case (RAHT (1)). For the prediction, we formalize RAHT (1) linear prediction in MPEG-PCC in a theoretical framework, and propose a new nonlinear predictor using a polynomial of bilateral filter. We derive equations to efficiently compute the critically sampled high-pass coefficients $G_{l}^{*}$ amenable to encoding. We optimize parameters in our resulting feed-forward network on a large training set of point clouds by minimizing a rate-distortion Lagrangian. Experimental results show that our improved framework outperforms the MPEG G-PCC predictor by $11 \%-12 \%$ in bit rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».