申请/专利权人：闽都创新实验室;福州大学

申请日：2021-07-27

公开（公告）日：2024-04-09

公开（公告）号：CN113674369B

主分类号：G06T9/00

分类号：G06T9/00;G06N3/047;G06N3/0464;G06N3/084;G06T5/50;G06T7/11;H04N19/70

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.12.07#实质审查的生效;2021.11.19#公开

摘要：本发明涉及一种深度学习采样改进G‑PCC压缩的方法。首先，把一帧点云按照64*64*64大小分块并素化。然后，采用卷积网络提取点云体素化的特征，把点映射到128维的向量，进一步把特征向量映射回只有原来总数四分之一的点云。再而，把采样后的点云经过G‑PCC编码和解码。最后，对解码后的点云体素化，并用反卷积网络提取特征，把点映射到128维的向量，进一步把特征向量映射回点云，同样根据重建的误差最小，不断优化采样和重建的点云，融合块点云生成解码点云。和直接使用G‑PCC编码相比，使用卷积网络采样和重建在保证了点云质量的同时只需要编码原来点云数目的四分之一，减少了大量比特的开销。

主权项：1.一种深度学习采样改进G-PCC压缩的方法，其特征在于，包括如下步骤：步骤M1、将点云均匀分割成64*64*64的块，并对点云体素化，有点用“1”表示，没有则用“0”表示；步骤M2、对体素化的点云使用三层的卷积网络进行下采样，采样后的点云为原始点云的四分之一，假设X是原点云，Y是输出点云，则输出点云是输入点云的真子集，此时的损失函数lsample如式1所示： 其中，Ny是采样后点云的总数，y是采样后点云中的一点，x是原始点云中的一点；步骤M3、对采样后的点云使用动态图像专家组MPEG制定的关于一类静态点云压缩的方案:基于几何的点云压缩G-PCC编码；步骤M4、对G-PCC编码的点云进行解码；步骤M5、通过反卷积网络上采样之后重建原始点云X，其过程和步骤M2相反，反卷积网络为三层，其损失函数lr如式2所示： 其中，输入点云Y，输出点云Z，Nx是原始点云的总数，Nz是重建后点云的总数，z是重建后点云的一点，x是原始点云中的一点；步骤M6、模型训练，优化的目标是使得采样并经过编码后的点云和原始点云的点对点的均方误差最小，模型最后的损失函数如式3所示ltotal，达到自适应去采样，重建点云的点：ltotal＝lsample+lr3步骤M7、输出的点云是64*64*64的块，而后对块融合输出最后的解码点云。

全文数据：

权利要求：

百度查询： 闽都创新实验室;福州大学 一种深度学习采样改进G-PCC压缩的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD