一种基于非对称自编码器结构的点云几何压缩方法技术

本发明专利技术公开了一种基于非对称自编码器结构的点云几何压缩方法，属于点云压缩技术领域。该方案包括：首先对预先获取的点云数据集进行预处理，得到训练数据；构建非对称点云几何压缩网络模型，所述非对称点云几何压缩网络包括非对称的编码器网络和解码器网络；构建多尺度加权失真损失函数，对所述非对称点云几何压缩网络进行训练；最后将所述点云数据输入至训练好的所述非对称点云几何压缩网络实现点云压缩。本发明专利技术实现了3D点云数据更好的压缩性能，与MEPG方法相比，本发明专利技术在率失真性能上远超过了MPEG的G

【技术实现步骤摘要】
一种基于非对称自编码器结构的点云几何压缩方法


[0001]本专利技术涉及点云压缩
，特别涉及一种基于非对称自编码器结构的点云几何压缩方法。

技术介绍

[0002]点云因其高分辨率和高保真度而被广泛应用于一些新兴行业(如3D建模、AR/VR、沉浸式通信)。海量的点云数据促进了对高效的点云压缩方法的需求。
[0003]移动图像专家组(MPEG)提出了两个著名的点云压缩方法，分别是用于动态点云的基于视频的点云压缩方法(V
‑
PCC)和用于静态点云的基于几何的点云压缩方法(G
‑
PCC)。V
‑
PCC将三维点云投射到二维空间，然后应用图像/视频编码器进行编码。而G
‑
PCC利用三维模型(如八叉树或三角形表面)直接对三维信息进行编码。随着深度学习的兴起，学者开始利用3D卷积探索3D空间内体素的相关性。深度神经网络(DNN)被用于这些基于学习的方法中，它们中的大多数利用变分自动编码器(VAE)架构，通过提取紧凑的潜在特征表示，实现更好的压缩。
[0004]尽管基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非对称自编码器结构的点云几何压缩方法，其特征在于，包括：(1)对预先获取的点云数据集进行预处理，得到训练数据；(2)构建非对称点云几何压缩网络模型，所述非对称点云几何压缩几何网络包括非对称的编码器网络和解码器网络；(3)构建多尺度加权失真损失函数，对所述非对称点云几何压缩网络进行训练；(4)将所述点云数据输入至训练好的所述非对称点云几何压缩网络实现点云压缩。2.根据权利要求1所述的基于非对称自编码器结构的点云几何压缩方法，其特征在于，所述对预先获取的点云数据集进行预处理包括：对所述点云数据集进行随机采样得到随机数目的点云数据；对所述点云数据进行随机旋转增加数据多样性；通过坐标量化，得到符合要求的所述训练数据。3.根据权利要求1所述的基于非对称自编码器结构的点云几何压缩方法，其特征在于：构建非对称点云几何压缩网络模型包括：相对解码器网络，设计更为复杂的编码器网络，有利于实现更好的率失真性能；所述编码器网络包含多组下采样模块与注意力模块，通过所述编码器网络对输入点云进行下采样操作，得到下采样点云几何信息与属性信息，将其分别进行压缩，实现点云编码；所述解码器网络包含多组上采样模块与宽感受野模块，将压缩文件输入所述解码器网络，通过所述上采样模块实现点云数目恢复，通过所述宽感受野模块得到更高质量的重建点云，得到解码数据。4.据权利要求3所述的基于非对称自编码器结构的点云几何压缩方法，其特征在于：所述下采样模块通过步长为2的卷积模块实现；所述注意力模块包含注意力分支和并行残差分支，所述注意力分支通过残差模块提取特征，sigmoid非线性激活计算得到注意力掩码；所述并行残差分支通过三个并行残差网络提取点云特征图；将所述点云特征图与所述注意力掩码逐元素相乘，得到所述下采样点云几何信息与属性信息。5.根据权利要求3所述的基于非对称自编码器结构的点云几何压缩方法，其特征在于：所述上采样模块通过步长为2的转置卷积模块实现；所述宽感受野模块由宽感受野网络与残差模块组成；所述宽感受野模块通过宽的感受野，提取特征信息；将所述特征信息输入所...

【专利技术属性】
技术研发人员：方志军，庄乐辉，田瑾，姜晓燕，谭清宇，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：