基于双重注意力的区块匹配用于动态点云压缩
Longhua Sun1, Yingrui Wang1, Qing Zhu2
1School of Information Science and Engineering, Qilu Normal University, No. 2 Wenbo Road, Jinan 250200, China.
Journal of imaging
|October 28, 2025
概括
本研究介绍了动态三维 (3D) 点云 (DPC) 的层次运动估计/运动补偿 (ME/MC) 框架. 新型的基于双重注意的KNN区块匹配网络显著提高了DPC的框架间压缩效率.
科学领域:
- 计算机视觉和图形学
- 数据压缩数据压缩
- 信号处理 信号处理
背景情况:
- 动态三维 (3D) 点云 (DPC) 呈现不规则的空间分布,使时间上下文提取和框架间压缩复杂化.
- 对于DPC,现有的运动估计/运动补偿 (ME/MC) 框架是初步的,对点一致性和时间相关性的探索不足.
研究的目的:
- 为改进动态3D点云压缩开发一个先进的等级ME/MC框架.
- 为了提高运动估计的准确性,在DPC中进行细粒度的框架间预测.
主要方法:
- 提出了一个层次化的ME/MC框架,可自适应地选择运动场的细粒度,以精确的跨框架预测.
- 引入了一种基于双重注意力的KNN区块匹配 (DA-KBM) 网络,利用双向注意力机制进行准确的点相关性测量.
- 使用相关点来预测框架间的运动向量,提高预测的准确性.
主要成果:
- 拟议的DPC压缩方法在8iFVBv2数据集上比V-PCC v13标准实现了70%的BD-Rate增长.
- 与基于最先进的深度学习的模式间方法相比,证明了16%的收益.
结论:
- 与DA-KBM配合的等级ME/MC框架显著提高了动态3D点云压缩性能.
- 与现有技术相比,该方法提供了一种更有效的方法来建模DPC中的时间依赖性.


