【技术实现步骤摘要】
【国外来华专利技术】
本公开涉及包括点云编码和点云解码的点云译码。
技术介绍
1、点云(pc)是三维(3d)空间的3d数据表示。pc可以用于扩展现实(xr)、增强现实(ar)、虚拟现实(vr)和混合现实(mr)、自动驾驶或文化遗产等任务。pc是3d空间中的点集，由其被称为几何结构的3d坐标(x,y,z)表示。每个点还可以与诸如颜色、法向矢量或反射率之类的多个属性相关联。
2、根据目标应用和pc获取方法，pc可以被分类为点云场景或点云对象。点云场景可以使用lidar传感器来捕获，并且经常被动态地获取。点云对象可以被进一步细分为静态点云和动态点云。静态pc是单个对象，而动态pc是时变pc，其中动态pc的每个实例是静态pc。动态时变pc可以用于ar/vr、体积视频流和远程呈现，并且可以使用3d模型(即，cgi)来生成，或者使用各种方法(诸如用深度传感器围绕对象的多个相机)从现实世界场景捕获。这些pc是密集型照片级真实感点云，这些密集型照片级真实感点云可以具有大量的点，尤其是在高精度或大规模捕获中(高达每秒60帧(fps)，每帧数百万个点)。因此，高效的...
【技术保护点】
1.一种对点云数据进行编码的方法，所述方法包括：
2.根据权利要求1所述的方法，其中确定对所述表示进行缩减的所述次数包括：根据所述点云几何结构的用例、比特要求或点云类型中的至少一者，确定对所述表示进行缩减的所述次数。
3.根据权利要求1所述的方法，其中对所述点云几何结构的所述缩减表示进行编码包括：对所述点云几何结构的所述缩减表示进行无损编码。
4.根据权利要求1所述的方法，所述方法还包括：使用有损编码对与所述点云几何结构的所述缩减表示对应的特征进行编码。
5.根据权利要求1所述的方法，其中对所述点云几何结构的所述缩减表示...
【技术特征摘要】
【国外来华专利技术】
1.一种对点云数据进行编码的方法，所述方法包括：
2.根据权利要求1所述的方法，其中确定对所述表示进行缩减的所述次数包括：根据所述点云几何结构的用例、比特要求或点云类型中的至少一者，确定对所述表示进行缩减的所述次数。
3.根据权利要求1所述的方法，其中对所述点云几何结构的所述缩减表示进行编码包括：对所述点云几何结构的所述缩减表示进行无损编码。
4.根据权利要求1所述的方法，所述方法还包括：使用有损编码对与所述点云几何结构的所述缩减表示对应的特征进行编码。
5.根据权利要求1所述的方法，其中对所述点云几何结构的所述缩减表示进行编码包括：使用帧内(i帧)编码、帧间(p帧)编码或双向帧间(b帧)编码中的一者对所述点云几何结构的所述缩减表示进行编码。
6.根据权利要求1所述的方法，其中所述点云几何结构的所述缩减表示包括当前帧的点云几何结构的缩减表示，所述方法还包括：对与所述点云几何结构的所述缩减表示对应的特征进行编码，包括：
7.根据权利要求1所述的方法，所述方法还包括：对表示所述点云几何结构的所述表示被缩减的所述次数的数据进行编码。
8.根据权利要求1所述的方法，其中缩减所述点云几何结构的所述表示并对所述缩减表示进行编码包括：执行神经网络，所述神经网络被训练为在数个阶段中缩减所述点云几何结构并对所述点云几何结构进行编码，所述数个阶段等于对所述点云几何结构的所述表示进行缩减的所述次数，每个阶段包括缩减步骤和编码部分。
9.根据权利要求1所述的方法，其中缩减所述点云几何结构的所述表示并对所述缩减表示进行编码包括：执行神经网络，所述神经网络被训练为在数个阶段中缩减所述点云几何结构，并且被训练为随后对所述点云几何结构的所述缩减表示进行编码，所述数个阶段等于对所述点云几何结构的所述表示进行缩减的所述次数，每个阶段包括缩减步骤。
10.一种用于对点云数据进行编码的设备，所述设备包括：
11.根据权利要求10所述的设备，其中为了确定对所述表示进行缩减的所述次数，所述一个或多个处理器被配置为：根据所述点云几何结构的用例、比特要求或点云类型中的至少一者，确定对所述表示进行缩减的所述次数。
12.根据权利要求10所述的设备，其中为了对所述点云几何结构的所述缩减表示进行编码，所述一个或多个处理器被配置为：对所述点云几何结构的所述缩减表示进行无损编码。
13.根据权利要求10所述的设备，其中所述一个或多个处理器被进一步配置为：使用有损编码对与所述点云几何结构的所述缩减表示对应的特征进行编码。
14.根据权利要求10所述的设备，其中为了对所述点云几何结构的所述缩减表示进行编码，所述一个或多个处理器被配置为：使用帧内(i帧)编码、帧间(p帧)编码或双向帧间(b帧)编码中的一者对所述点云几何结构的所述缩减表示进行编码。
15.根据权利要求10所述的设备，其中所述点云几何结构的所述缩减表示包括当前帧的点云几何结构的缩减表示，并且其中所述一个或多个处理器被进一步配置为：对与所述点云几何结构对应的特征进行编码，其中为了对所述特征进行编码，所述一个或多个处理器被配置为：
16.根据权利要求10所述的设备，其中所述一个或多个处理器被进一步配置为：对表示所述点云几何结构的所述表示被缩减的所述次数的数据进行编码。
17.根据权利要求10所述的设备，其中为了缩减所述点云几何结构的所述表示并对所述缩减表示进行编码，所述一个或多个处理器被配置为：执行神经网络，所述神经网络被训练为在数个阶段中缩减所述点云几何结构并对所述点云几何结构进行编码，所述数个阶段等于对所述点云几何结构的所述表示进行缩减的所述次数，每个阶段包括缩减步骤和编码部分。
18.根据权利要求10所述的设备，其中为了缩减所述点云几何结构的所述表示并对所述缩减表示进行编码，所述一个或多个处理器被配置为：执行神经网络，所述神经网络被训练为在数个阶段中缩减所述点云几何结构，并且被训练为随后对所述点云几何结构的所述缩减表示进行编码，所述数个阶段等于对所述点云...
【专利技术属性】
技术研发人员：A·阿赫塔尔，G·范德奥韦拉，A·K·拉马苏布拉莫尼安，M·卡尔切维奇，L·法姆范，
申请(专利权)人：高通股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。