G-PCC
PulseAugur coverage of G-PCC — every cluster mentioning G-PCC across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
事件相机的新压缩方法可改善任务性能预测
研究人员开发了事件相机数据的新压缩方法，该数据可生成海量信息。现有的压缩失真度量无法准确预测这种压缩将如何影响下游任务。本文介绍了两种新颖的压缩流程——一种使用带 JPEG 2000 的直方图帧，另一种使用带 G-PCC 的点云——以及一个面向任务的评估框架。该框架可以高效评估压缩引起的退化，例如在目标检测和特征跟踪等任务中，并证明了新的基于分类的度量可以可靠地预测性能影响。
-
新方法为相机阵列点云提供最先进的压缩技术
研究人员开发了一种高效压缩相机阵列点云（PPC）的新方法。PPC是一种新的数据结构，通过为每个点关联多种颜色来增强真实感。所提出的压缩方案利用了颜色属性上的Karhunen-Loève变换，然后是具有帧内预测功能的属性编码器。该方法可以集成到动态图像专家组（MPEG）的基于几何的PCC标准中，并已证明与现有方法相比具有竞争力，有望在PPC压缩领域达到新的最先进水平。
-
Proteus模型提供鲁棒的LiDAR压缩，具有70%的截断容忍度
研究人员开发了Proteus，一种专为LiDAR点云设计的新型压缩模型。该模型采用一种独特的策略，将显著位平面（SIG）与不显著位平面（INS）分开，以确保对数据截断的鲁棒性。SIG块提供了基本的感知下限，而INS块则渐进地重建细节，使系统能够容忍高达约70%的比特流截断。在各种压缩场景下，Proteus的性能优于G-PCC、Draco和JPEG XL等现有标准，以及学习型压缩器Unicorn。
-
新的运动估计技术提升视频体属性压缩效率
一篇新的研究论文提出先进的运动估计技术，以改进视频体属性的压缩。所提出的方法包括一种基于几何的帧间编码方案和一种基于图的运动估计方案，旨在减少属性中的时间冗余。实验表明，与现有的 G-PCC、GeS-TM 和 V-PCC 标准相比，尤其是在有损几何条件下，可以显著节省比特率。
-
新的基于学习的方法增强了激光雷达点云压缩
研究人员开发了Inter-LPCM，一种新颖的基于学习的激光雷达点云数据压缩方法。该方法通过利用帧间预测来捕捉复杂运动和结构依赖性，而传统线性模型难以处理，从而改进了现有技术。该方法包括用于预测半径和仰角的专用模型，以及针对每个球坐标分量优化的量化和不同的熵编码，以提高压缩效率。