机构名称：
¥ 1.0
摘要 - 基于损耗的几何点云压缩（G-PCC）不可避免地会损害点云的几何信息，这在诸如分类等任务等任务中的重新结构和/或误导决策中降低了经验质量（QOE）。为了解决它，这项工作提出了GRNET，以恢复G-PCC压缩大规模点云的几何形状。通过分析原始和G-PCC压缩点云的内容特性，我们将G-PCC失真归因于两个关键因素：点消失和点位移。点云上的可见障碍通常由个体因素或由两个因素施加的超级因素主导，这取决于原始点云的密度。为此，我们采用了两个不同的模型进行坐标重建，称为坐标扩展并分别攻击点消失和位移点。INADDITION，4- byteauxilaryDensitySinformation在BITSTREAM中发出信号，以帮助选择扩展，协调坐标，坐标，或它们的组合。在被送入坐标重建模块中之前，G-PCC压缩点云首次是由用于多尺度信息融合的特征分析模块处理的，其中基于K NN的变压器在每个尺度上都利用了基于K的变压器，以适应邻域几何学的邻域几何学动力学来有效恢复。以MPEG标准化委员会建议的常见测试条件显着提高了G-PCC锚点，并且在各种点云（例如，实心，密度和稀疏的样品）上的最先进方法均超过了最先进的方法。同时，与现有基于学习的方法相比，GRNET运行速度相当快，并且使用较小的模型，从而使其对行业从业人员有吸引力。
grnet：G-PCC压缩的几何恢复...
主要关键词
相关文件推荐
