点云压缩网络

支持机器视觉

同时面向人类视觉重建与机器视觉任务，通过点选择与双分支结构在保持分类精度的同时大幅降低点云传输码率。

Lei, Liu · Hu, Zhihao · 张靖

2023

技术优势

选点再压缩，省码率

在八叉树构建前先选出稀疏点集，能用更深的八叉树结构，从而更好地重建点云坐标，提取更具判别力的特征。

机器视觉也能用

框架同时面向人类视觉和机器视觉，不是只做重建，而是兼顾分类等下游任务。

全局特征聚合分类

提出基于全局特征聚合的分类模块，专门处理稀疏点云分类任务。

应用场景

• 点云压缩传输：在传输前压缩点云，直接降低原始点云传输的码率开销。
• 3D感知：为分类、检测等机器视觉任务提供保精度且低码率的点云输入。
• 自主导航：减少导航场景中实时传输三维点云的带宽压力，同时保留感知所需的几何信息。
• 机器人视觉：为机器人视觉系统提供兼顾压缩效率与任务性能的点云编解码方案。
• 增强现实：以更少的数据量传输点云内容，适合带宽有限的增强现实应用。