Fein-granulare Korrelationsdarstellung zur graphbasierten Attributkompression von Punktwolken

In den letzten Jahren wurde bemerkenswerter Erfolg des Graph Fourier Transform (GFT) bei der Attributkompression von Punktwolken verzeichnet. Ein Schlüssel zu einer guten Kompressionsleistung von GFT besteht darin, die graph Laplacian-Matrix zu konstruieren, die die Signal-Korrelation genau modelliert. Dennoch verwenden bestehende Attributkompressionsmethoden, die auf GFT basieren, die Distanzmetrik, um die Laplacian-Matrix zu definieren, was die Farbkorrelation im Falle einer schlechten Beziehung zwischen Geometrie und Farbe nicht gut repräsentiert. Daher schlagen wir, unter Berücksichtigung der Farbvariationen von Punktwolken im Raum, drei zusätzliche Arten von fein-granularer Korrelationsdarstellung als Laplacian-Matrizen für Patches mit unterschiedlichen Textur-Kategorien vor. Darüber hinaus nutzen wir Merkmale der Texturkomplexität als Prior, um eine stufenweise Entscheidungsstrategie zu entwerfen, die jeden Patch anleitet, die geeignete Korrelationsdarstellung mit geringer Rechenkomplexität auszuwählen. Experimentelle Ergebnisse zeigen, dass unsere Methode eine bessere Kompressionsleistung im Vergleich zu anderen Plattformen erreicht. Gleichzeitig führen zusätzliche Experimente auch eine Lagrangian Rate-Distortion Optimization (RDO) durch, um die optimale der drei Korrelationsdarstellungen auszuwählen, und bestätigen die Wirksamkeit unserer vorgeschlagenen stufenweisen Entscheidungsstrategie.