Point Cloud Geometry Scalable Coding with a Quality-Conditioned Latents Probability Estimator

这篇论文讨论了点云在沉浸式视觉应用中的广泛应用，这导致了接收条件和设备的异质性，特别是在网络、硬件和显示能力方面。在这种情况下，质量可扩展性即通过逐步解码单个比特流来重建不同质量的信号的能力是一个主要要求，但大多数基于学习的点云编码解决方案尚未方便地解决这个问题。本文提出了一种名为可扩展质量超先验（SQH）的质量可扩展方案，该方案适用于基于学习的静态点云几何编解码器，其中使用质量条件概率估计器（QuLPE）来解码基于可用较低质量基础层的PC学习表示的高质量版本。SQH已集成到未来的JPEG PC编码标准中，允许创建分层比特流，以逐步解码PC几何体并提高质量和保真度。实验结果表明，与相应的不可扩展解决方案相比，SQH提供了质量可扩展性功能，且几乎没有或没有任何压缩性能损失，从而保留了与其他最先进的PC编解码器相比的显著压缩收益。

解决问题：如何实现点云的质量可扩展性，以适应不同的接收条件和设备？

关键思路：使用可扩展的质量条件概率估计器（QuLPE）来解码高质量点云的学习表示，该表示基于已有的低质量基础层。并将其集成到未来的JPEG点云编码标准中，以创建分层比特流，可用于逐步解码点云几何形状并提高质量和保真度。

亮点：该方案在不损失压缩性能的情况下，提供了质量可扩展性特性，相比其他最先进的点云编解码器，具有显著的压缩收益。实验结果表明，SQH方案可以逐步解码点云几何形状，提高质量和保真度。

相关研究：最近的相关研究包括：Learning-based Point Cloud Compression with Adversarial Bit Quantization and Residual Restoration，Point Cloud Geometry Compression with Graph-based Convolutional Neural Network，以及A Survey of Point Cloud Compression Techniques。