LL-Sparse: Low-Latency 6-DoF Field of View Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Field of view (FoV) prediction is crucial for optimizing 6-DoF dynamic point cloud-based volumetric video (PCV) streaming. By accurately predicting which tiles fall within the viewer's region of interest, FoV prediction enables adaptive bitrate (ABR) algorithms to allocate higher bitrates to likely viewed tiles while assigning lower bitrates to less critical areas. This improves bandwidth efficiency and enhances the quality of experience (QoE) by aligning bitrate allocation with the viewer's focus. However, current 6-DoF salience-aware FoV prediction models face challenges related to high latency, computational costs, and a lack of complex datasets with detailed FoV traces, hindering the development of more effective real-time predictors. To address these challenges, we propose the LL-Sparse family, a suite of three solutions for direct tile salience score prediction: LL-Adapter, an extension of HMD-trajectory-based (HTB) models, such as GRUs, tailored for tile scoring; LL-PointNet, which integrates a GRU with PointNet to enhance salience-aware prediction; and LL-SparseConv, a scalable variant of LL-PointNet that employs sparse convolution in place of PointNet, serving as a proof of concept. These models strike a balance between practical performance and theoretical advancements in tile salience prediction. Furthermore, we introduce the MazeLab dataset, a novel, large-scale dynamic point cloud dataset that mimics real-world PCV scenarios to effectively benchmark FoV prediction models. Experimental results highlight the LL-Sparse family's exceptional scalability, reduced latency, and enhanced accuracy, establishing it as a promising solution for efficient real-time volumetric media applications.
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.
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 | 0,001 |
| 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 découle