BriefGPT - AI 论文速递
·
基于约束最优传输的点云压缩
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该论文介绍了一种新颖的点云压缩方法COT-PCC，通过将任务作为约束最优传输（COT）问题进行建模，COT-PCC利用压缩特征的比特率作为最优传输（OT）的额外约束，学习原始和重构点之间的分布转换。实验结果表明，COT-PCC在CD和PSNR指标方面优于现有最先进方法。
🎯
关键要点
-
该论文介绍了一种新颖的点云压缩方法 COT-PCC。
-
COT-PCC 将任务建模为约束最优传输（COT）问题。
-
该方法利用压缩特征的比特率作为最优传输（OT）的额外约束。
-
COT-PCC 学习原始和重构点之间的分布转换。
-
通过生成对抗网络（GAN）和比特率损失实现 COT。
-
鉴别器测量输入和重构点之间的 Wasserstein 距离。
-
生成器计算输入和重构点云分布之间的最优映射。
-
引入可学习的采样模块用于压缩过程中的下采样。
-
在稀疏和密集点云数据集上进行的大量实验结果表明，COT-PCC 在 CD 和 PSNR 指标方面优于现有最先进方法。
-
源代码可在 https://github.com/cognaclee/PCC-COT 获得。
➡️
