![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
点云阅读笔记
文章平均质量分 81
记录了点云相关的阅读笔记
Jonathan_Paul 10
这个作者很懒,什么都没留下…
展开
-
【点云压缩】Sparse Tensor-based Point Cloud Attribute Compression
【点云压缩阅读笔记】Sparse Tensor-based Point Cloud Attribute Compression原创 2022-06-06 11:36:53 · 544 阅读 · 1 评论 -
【点云压缩】Variational Image Compression with A Scale Hyperprior
阅读笔记:Variational Image Compression with A Scale Hyperprior原创 2022-06-06 11:20:33 · 903 阅读 · 0 评论 -
【点云压缩】Lossless Coding of Point Cloud Geometry using a Deep Generative Model
Lossless Coding of Point Cloud Geometry using a Deep Generative Model原创 2022-06-01 19:38:04 · 711 阅读 · 0 评论 -
【点云阅读笔记】Learned Point Cloud Geometry Compression
阅读报告——Learned Point Cloud Geometry Compression本文提出了一个具有端到端(End-to-end)超先验知识(Learned, hyperprior )的PCGC的模型。本文所描述的成果参数少、性能好,并且可以有更好并行性。Worth noticing in Intro超先验信息被用来提升潜在特征的条件概率模型性能(Hyperpriors are used to improve the conditional probability modeling of原创 2022-03-18 11:56:24 · 1911 阅读 · 1 评论 -
【点云阅读笔记】Point Cloud Coding: Adopting a Deep Learning-based Approach
阅读报告——Point Cloud Coding: Adopting a Deep Learning-based ApproachWorth noticing in intro该文提出CNN 与自动编码器(AutoEncoder, AE)结合的压缩方法,能有效利用相邻点之间的冗余,并表示出对数据编码的适应性。原创 2022-03-15 18:27:00 · 1388 阅读 · 0 评论 -
【点云阅读笔记】LEARNING CONVOLUTIONAL TRANSFORMS FOR LOSSY POINT CLOUD GEOMETRY COMPRESSION
阅读报告——LEARNING CONVOLUTIONAL TRANSFORMS FOR LOSSY POINT CLOUD GEOMETRYCOMPRESSIONWorth noticing in Introduction质量评价衡量:D1 and D2D1:计算重建点和K近邻之间的MSED2:计算重建点和超平面之间的MSEMain Idea对于基于传统八叉树模型的方法,它在降低比特流时,其点的数量会指数下降;通过将点云几何体解释为在体素网格上定义的二进制信号,我们将解码转换为对给定体原创 2022-03-15 13:04:19 · 5197 阅读 · 0 评论 -
【点云阅读笔记】点云压缩综述
点云压缩综述点云压缩任务按照不同的标准可以将方法划分成不同的类型,主要有以下标准:(1)根据还原质量分类(有损、无损),(2)根据处理方法分类(传统方法、深度方法),(3)根据空间维度分类(一二三维),(4)根据信息类型分类(几何信息、属性信息),(5)根据数据结构进行分类(树、面片、体素)。还原质量无损:识别并消出统计冗余,使得数据结构更加紧凑,压缩并解码后的点云和原始点云相同。有损:通过量化删除了非必要的、无用的信息,使用适当的率失真的控制,在比特率和感知数据质量方面进行了折衷。处理方法传统原创 2022-03-13 17:08:52 · 2306 阅读 · 0 评论 -
【点云阅读笔记】Attentional ShapeContextNet for Point Cloud Recognition
阅读报告——Attentional ShapeContextNet for Point Cloud RecognitionPointNet有问题:the concept of parts and receptive fields is not explicitly addressed, because the point features in PointNet are treated independently before the final aggregation (pooling) layer.原创 2022-03-08 15:30:22 · 402 阅读 · 0 评论 -
【点云阅读笔记】OctAttention
阅读报告——OctAttentionOctAttention: Octree-based Large-scale Contexts Model for Point Cloud Compression[1]Intro本文Idea首先用八叉树表示点云,以减少空间冗余,这对于具有不同分辨率的点云是鲁棒的。然后设计大感受野的条件熵模型,对兄弟和祖先上下文进行建模,以利用相邻节点之间的强依赖性,并采用注意机制来强调上下文中的相关节点。点云数据有处理的算法——大致分为:voxel原创 2022-03-05 14:58:33 · 1382 阅读 · 0 评论 -
【点云阅读笔记】Joint Machine Learning and Game Theory for Rate Control in High Efficiency Video Coding
阅读报告Joint Machine Learning and Game Theory for Rate Control in High Efficiency Video Coding[1]本文主要要点优点:利用机器学习中的vvv-SVM分类器对CTU进行分类,以求提高在CTU层级上提高率失真理论模型的预测精度;提出了一个基于博弈论的率失真模型,为CTU分配比特流,从而达到更好的综合性能。本文详细报告本文综合了机器学习和博弈论的建模,分两步走。第一步是用SVM的多分类,以求实现精确的CTU级原创 2022-03-04 21:56:56 · 411 阅读 · 0 评论