利用增强采样的残差块和选择性潜在编码进行TSDF体积压缩

《ACM Transactions on Multimedia Computing, Communications, and Applications》：TSDF Volume Compression using Sampling-Enhancing Residual Block and Selective Latent Code Encoding

该研究提出基于超先验的TSDF体素压缩模型HyperLCS，通过几何复杂度自适应的 latent code 选择机制减少冗余编码，并引入采样增强残差块SERB补偿特征损失，实验证明在保持高数据保真度的同时显著降低码率和提升压缩速度。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

本文介绍了一种新的深度学习方法，用于高效压缩截断的带符号距离函数（TSDF）体积。以往的研究将TSDF体积划分为多个块，并将每个块编码为相同数量的潜在代码，而不考虑每个块中存储的几何复杂性。这导致比特率较高以及算术编码的复杂性增加，因为复杂和简单的几何块都需要相同数量的潜在代码。

为了解决这些效率问题，我们提出了一种基于超先验的压缩模型（HyperLCS），该模型可以根据TSDF块的几何复杂性动态调整潜在代码的数量。通过适应几何复杂性的选择性编码，HyperLCS减少了不必要的比特分配和算术编码复杂性，从而提高了编码效率、降低了比特率，并缩短了压缩时间。

此外，我们引入了采样增强残差块（SERB），这是一种改进的残差块，旨在通过在输入分辨率处计算残差并调整采样输出来补偿空间采样过程中的特征损失。实验表明，与具有相同容量的传统残差块相比，SERB在TSDF体积压缩性能上有所提升。

通过结合HyperLCS和SERB，我们的方法实现了更好的TSDF体积压缩性能，即使在高压缩率下也能保持高数据保真度。实验结果证明了相比现有技术有显著的改进。

人工智能摘要

人工智能生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的正式摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。