一种点云属性压缩方法、装置、终端及介质制造方法及图纸

本发明专利技术公开了一种点云属性压缩方法、装置、终端及介质，所述方法通过属性变换模块将点云属性变换为隐特征，将隐特征转换为量化后的形式，熵编码模块中的熵模型基于先验信息估计隐特征的真实概率分布，并根据其概率分布使用熵编码器将其编码为码流；解码阶段为编码阶段的反过程，首先将解码需要的先验信息输入至熵模型中，得到待解码隐特征的概率分布，再利用该分布从码流中解码隐特征，使用属性变换模块中合成变换来从解码的隐特征中重建点云属性。因此，本发明专利技术实施例能够将点云属性变换与熵模型联合优化，以充分地利用GPU的并行处理能力，在压缩率与计算复杂度之间取得平衡，以保证在维持较快编解码速度的前提下实现较高的压缩性能。

【技术实现步骤摘要】

本专利技术涉及点云压缩，尤其涉及一种点云属性压缩方法、装置、终端及介质。

技术介绍

1、近年来，基于学习的点云压缩技术受到了广泛的关注。如，通过在已有压缩方法的基础上添加可学习的模块来提高压缩性能，但这样也只在部分模块中添加了可学习的成分，无法对整个压缩编码管线进行学习与优化。而能够联合优化属性变换与熵模型的方法虽具有更高的理论性能，并且通过将超先验与自回归上下文引入熵模型，并配合基于稀疏卷积的属性变换模块，对在点云属性压缩中对属性变换模块与熵模型的联合优化进行了初步的验证，但串行自回归上下文结构无法充分地利用gpu的并行处理能力，导致在解码时所需要的时间极长。

技术实现思路

1、本专利技术提供一种点云属性压缩方法、装置、终端及介质，将点云属性变换与熵模型联合优化，并设计了一种具有多阶段上下文结构的深度熵模型，以充分地利用gpu的并行处理能力，在压缩率与计算复杂度之间取得平衡，以保证在维持较快编解码速度的前提下实现较高的压缩性能。

2、为了实现上述目的，第一方面，本专利技术实施例提供了一种点云属性本文档来自技高网...

【技术保护点】

1.一种点云属性压缩方法，其特征在于，包括：

2.如权利要求1所述的点云属性压缩方法，其特征在于，所述编码阶段的具体步骤，包括：

3.如权利要求2所述的点云属性压缩方法，其特征在于，所述根据所述第一局部超先验，通过熵编码模块的上下文模型和熵模型估计每组量化隐特征的概率分布模型参数，具体包括：

4.如权利要求2所述的点云属性压缩方法，其特征在于，所述解码阶段的具体步骤，包括：

5.如权利要求4所述的点云属性压缩方法，其特征在于，所述根据所述第二局部超先验，通过所述上下文模型和所述熵模型计算每组待解码量化隐特征的解码概率分布模型参数，具体包括：...

【技术特征摘要】

1.一种点云属性压缩方法，其特征在于，包括：

2.如权利要求1所述的点云属性压缩方法，其特征在于，所述编码阶段的具体步骤，包括：

3.如权利要求2所述的点云属性压缩方法，其特征在于，所述根据所述第一局部超先验，通过熵编码模块的上下文模型和熵模型估计每组量化隐特征的概率分布模型参数，具体包括：

4.如权利要求2所述的点云属性压缩方法，其特征在于，所述解码阶段的具体步骤，包括：

5.如权利要求4所述的点云属性压缩方法，其特征在于，所述根据所述第二局部超先验，通过所述上下文模型和所述熵模型计算每组待解码量化隐特征的解码概率分布模型参数，具体包括：

6.如权利要求1所述的点云属性压缩方法，其特征在于，所述点云属性压缩方法的训练过程，包括：

【专利技术属性】
技术研发人员：王旭，王凯，张秋丹，周宇，江健民，
申请(专利权)人：深圳大学，
类型：发明
国别省市：