Key points are not available for this paper at this time.
Apesar do progresso considerável alcançado na compressão de geometria de nuvem de pontos, ainda existe um desafio em comprimir de forma eficaz cenas em grande escala com superfícies esparsas. Outro desafio chave é a redução da latência de decodificação, um requisito crucial em aplicações do mundo real. Neste artigo, propomos o Pointsoup, um codec de geometria baseado em aprendizado eficiente que atinge alto desempenho e latência de decodificação extremamente baixa simultaneamente. Inspirado no codec Trisoup convencional, uma estratégia baseada em modelo de pontos é elaborada para caracterizar superfícies locais. Especificamente, características de pele são incorporadas de janelas locais através de um codificador baseado em atenção, e janelas dilatadas são introduzidas como priors de múltiplas escalas para inferir a distribuição de características quantizadas em paralelo. Durante a decodificação, as características passam por um refinamento rápido, seguidas por um gerador de pontos baseado em dobra que reconstrói coordenadas de pontos com velocidade bastante rápida. Experimentos mostram que o Pointsoup alcança desempenho de ponta em múltiplos bancos de dados com complexidade de decodificação significativamente mais baixa, ou seja, até 90160 vezes mais rápido que o decodificador Trisoup G-PCCv23 em uma plataforma comparativamente de baixo custo (por exemplo, uma RTX 2080Ti). Além disso, oferece controle de taxa variável com um único modelo neural (2,9MB), o que é atraente para profissionais da indústria.
Você et al. (Sun,) estudaram esta questão.