Efficient and Generic Point Model for Lossless Point Cloud Attribute Compression

过去几年见证了学习式点云压缩（PCC）技术的出现。然而，目前的基于学习的无损点云属性压缩（PCAC）方法要么计算复杂度高，要么压缩性能下降。此外，现实世界应用中点云尺度和稀疏度的显著变化使得开发一个全能的神经模型成为一个具有挑战性的任务。本文提出了 PoLoPCAC，一种高效且通用的无损 PCAC 方法，同时实现高压缩效率和强泛化能力。我们将无损 PCAC 形式化为从分组自回归先验中推断属性的显式分布的任务。首先设计了一种渐进式随机分组策略，以有效地将点云分解为组，然后从累积的前提条件顺序建模每个组的属性。利用局部感知注意机制可以并行地利用上下文窗口中的先验知识。由于我们的方法直接作用于点，因此自然避免了由体素化引起的失真，并且可以在任意尺度和密度的点云上执行。实验表明，我们的方法可以在 Synthetic 2k-ShapeNet 数据集上训练后立即部署，同时在各种数据集（ShapeNet、ScanNet、MVUB、8iVFB）上享受比最新的 G-PCCv23 更持续的比特率降低。同时，我们的方法在大多数序列上报告比 G-PCCv23 更短的编码时间，模型大小轻量化（2.6MB），非常适用于实际应用。数据集、代码和训练模型可在 https://github.com/I2-Multimedia-Lab/PoLoPCAC 上获得。

提出一种高效且通用的无损点云属性压缩方法，解决当前学习型无损点云属性压缩方法计算复杂度高或压缩性能差的问题。

将无损点云属性压缩任务转化为从分组自回归先验中推断属性的显式分布，并采用渐进式随机分组策略和局部感知注意机制来提高压缩效率和通用性。

实验表明，该方法可以在多个数据集上实现持续的比特率降低，同时比最新的G-PCCv23具有更短的编码时间和轻量级模型大小（2.6MB）。该论文代码和训练模型已经开源。

最近的相关研究包括“Point Cloud Compression with Rate-Distortion Autoencoder”和“Learning-Based Point Cloud Compression Using Slice-Based Entropy Coding”。