面向VVC点云压缩的纹理感知快速模式决策与复杂度优化策略

《Journal of Visual Communication and Image Representation》：Texture-aware fast mode decision and complexity allocation for VVC based point cloud compression

本文针对基于VVC（Versatile Video Coding）的点云压缩（V-PCC）存在的高计算复杂度问题，创新性地提出纹理感知的快速编码单元（CU）模式决策算法与复杂度分配策略。通过分析CU分布特性并建立自适应阈值提前终止机制，在保证压缩效率（平均BDBR损失仅1.04%-1.64%）的同时显著降低计算复杂度（33.89%-44.59%），为实时虚拟现实（VR）/增强现实（AR）应用提供关键技术支撑。

　　

Highlight

优化点云压缩

学界已提出多种基于学习的点云压缩优化方案。Wang等人^[5]开发了基于体素化点云几何的多尺度稀疏张量压缩方法（PCGC），Pinheiro团队^[6]则利用归一化流和可逆卷积实现属性压缩（NF-PCAC）。Wang等^[7]进一步提出基于稀疏卷积的属性压缩框架（Sparse-PCAC），创新性地引入像素级自回归模型。

统计分析与发展动机

本节深入剖析了VVC基V-PCC的复杂度构成、CU分布规律以及纹理特征与编码模式的关联性。

框架设计

动态点云（DPCs）被投影为属性/几何视频后由VVC编码器处理。研究发现CU深度与纹理复杂度紧密相关：平坦区域倾向使用大尺寸CU，而复杂纹理区域更适合小尺寸CU。基于此，我们构建了如图4所示的纹理感知快速决策框架，通过量化纹理特征动态优化编码流程。

实验设置

为验证所提方法有效性，我们在V-PCC标准软件TMC2 V15.0^[36]中进行了测试，受影响CU尺寸覆盖64×64至8×8范围。复现了VCC LiTDM^[21]和MLEP^[27]等先进算法进行对比实验，选用8组标准动态点云序列...

结论

采用VVC编码器显著提升了点云压缩（V-PCC）效率，但激增的计算复杂度成为实时应用的瓶颈。本文提出的纹理感知快速CU决策与复杂度分配机制，通过深度挖掘空间相关性、父子级联相关性及帧内/帧间关联特征，实现了编码效率与计算负载的精妙平衡。