Pointsoup: High-Performance and Extremely Low-Decoding-Latency Learned Geometry Codec for Large-Scale Point Cloud Scenes

尽管点云几何压缩已经取得了相当大的进展，但在有效压缩具有稀疏表面的大规模场景方面仍存在挑战。另一个关键挑战在于减少解码延迟，这是实际应用中的一个关键要求。在本文中，我们提出了Pointsoup，一种高效的基于学习的几何编解码器，同时实现了高性能和极低的解码延迟。受传统Trisoup编解码器的启发，设计了一种基于点模型的策略来表征局部表面。具体而言，通过基于注意力的编码器从局部窗口嵌入皮肤特征，并引入扩张的窗口作为跨尺度先验，以并行方式推断量化特征的分布。在解码过程中，特征经过快速的细化，然后是基于折叠的点生成器，以相当快的速度重构点坐标。实验表明，Pointsoup在多个基准测试中实现了最先进的性能，解码复杂度显著降低，即在相对低端平台（例如一个RTX 2080Ti）上比G-PCCv23 Trisoup解码器快90$\sim$160倍。此外，它提供了单个神经模型（2.9MB）的可变速率控制，这对工业从业者非常有吸引力。

论文旨在解决如何在压缩大规模场景的稀疏表面时实现高性能和低解码延迟的挑战。

Pointsoup是一种基于学习的几何编解码器，采用点模型策略来表征局部表面，并使用注意力编码器嵌入局部窗口中的皮肤特征，引入扩张窗口作为跨尺度先验来并行推断量化特征的分布。在解码过程中，特征经过快速细化，然后通过基于折叠的点生成器以相对较快的速度重建点坐标。

Pointsoup在多个基准测试中实现了最先进的性能，并具有更低的解码复杂度，即在相对低端平台上（例如一个RTX 2080Ti）比G-PCCv23 Trisoup解码器快90-160倍。此外，它提供了单个神经模型（2.9MB）的可变速率控制，这对工业从业者非常有吸引力。

与此相关的最近研究包括：'Learning to Compress Point Clouds with Geometric Priors'，'Deep Point Cloud Compression with Geometric Priors'，'Neural Point Cloud Compression for Geometry and Texture'等。