Compression de nuage de points déformable préservant les caractéristiques progressives

Les méthodes actuelles de compression de nuages de points basées sur l'apprentissage profond ne peuvent pas garantir que les points reconstruits sont contraints à la surface, ce qui entraîne une faible qualité de reconstruction à faibles débits. Ainsi, cet article propose un algorithme de compression de la géométrie des nuages de points efficace basé sur l'apprentissage profond. Spécifiquement, en introduisant un plan bidimensionnel au décodeur, le patch local reconstruit est contraint à l'intérieur d'une variété, préservant des caractéristiques de surface suffisantes. Cette stratégie garantit que le décodeur peut reconstruire des nuages de points de haute qualité même à faibles débits. De plus, nous utilisons les caractéristiques d'ancrage obtenues par le réseau neuronal pour compresser les caractéristiques locales au niveau de l'encodeur. Les résultats expérimentaux montrent que, dans les conditions de même qualité de restauration, la méthode proposée améliore le PSNR point-à-plan de plus de 2 dB par rapport aux méthodes à la pointe de la technologie. Le code est disponible à l'adresse https://github.com/zbaoye/SurfPCC.