Key points are not available for this paper at this time.
عند ضغط السحب النقطية، تعمل نماذج التعلم العميق المعتمدة على النقاط في فضاء مستمر، مما يتيح تقليل فقدان الجودة الهندسية الناتج عن تحويل السحب النقطية في المعالجة المسبقة. لكن هذه الطرق قد تواجه صعوبة في التوسع لتتناسب مع الإدخالات التي تحتوي على نقاط عشوائية. علاوة على ذلك، يتم ضغط إطارات السحب النقطية بشكل فردي، مما يفشل الحكمة التقليدية في الاستفادة من التشابه بين الإطارات. في هذا العمل، نقترح إطار ضغط تدريجي يسمى patchDPCC، والذي يتكون من وحدة توليد مجموعات الباتش ونموذج ضغط يعتمد على النقاط. تم تطوير خوارزميات لتوليد باتشات من إطارات مختلفة تمثل نفس الكائن، والأهم من ذلك، يتم تنظيم هذه الباتشات لتكون لديها نفس عدد النقاط. كما ندمج وحدة نقل ميزة في نموذج الضغط، والتي تحسن جودة الميزة من خلال استغلال التشابه بين الإطارات. يولد نموذجنا ميزات نقطية لترميز الإنتروبيا، مما يضمن سرعة إعادة البناء. تظهر التقييمات على مجموعة بيانات MPEG 8i أن طريقتنا تحسن نسبة الضغط بنسبة 47.01% و85.22% عند مقارنتها بـ PCGCv2 وV-PCC بنفس جودة الإعادة، والتي هي أفضل بنسبة 9% و16% مقارنة بما يحققه D-DPCC. كما تحقق طريقتنا أسرع سرعة فك تشفير بين نماذج الضغط المعتمدة على التعلم.
درس بان وآخرون (Sun) هذا السؤال.