Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds
https://arxiv.org/abs/1905.03691
Sampling layer
在G-PCC中,基于八叉树的几何编码根据量化尺度来控制有损几何压缩,设输入点云为:
G-PCC编码器的量化计算如下:
其中和是用户人工定义的参数。
量化后,将有许多重复点共享相同的量化位置。一种常见的方法是合并这些重复的点,这样可以减少输入点云中的点数。
受G-PCC的启发,这篇文章将点云进行下采样后输再输入编码器。输入点,被最远点采样(FPS)得到子集,其中是距离已采样点集最远的点。与随机采样相比,FPS采样得到的点集的密度更均匀,更能保持原始对象的形状特征。
Encoder and Decoder
编码器使用PointNet:
解码器使用全连接网络:
Quantization
用加性均匀噪声代替量化:
Rate-distortion Loss
率: Factorized Entropy Model
失真:Chamfer distance
结果
数据集:ShapeNet