ترجمه فارسی مقاله فشرده‌سازی ویژگی ابر نقطه پویای پویا را از انتها به پایان آموخته‌ایم

چکیده

Recent advancements in point cloud compression have primarily emphasized geometry compression while comparatively fewer efforts have been dedicated to attribute compression. This study introduces an end-to-end learned dynamic lossy attribute coding approach, utilizing an efficient high-dimensional convolution to capture extensive inter-point dependencies. This enables the efficient projection of attribute features into latent variables. Subsequently, we employ a context model that leverage previous latent space in conjunction with an auto-regressive context model for encoding the latent tensor into a bitstream. Evaluation of our method on widely utilized point cloud datasets from the MPEG and Microsoft demonstrates its superior performance compared to the core attribute compression module Region-Adaptive Hierarchical Transform method from MPEG Geometry Point Cloud Compression with 38.1% Bjontegaard Delta-rate saving in average while ensuring a low-complexity encoding/decoding.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در فشرده سازی ابر نقطه در درجه اول بر فشرده سازی هندسه تأکید کرده است ، در حالی که تلاش های نسبتاً کمتری برای نسبت دادن فشرده سازی اختصاص داده شده است.این مطالعه یک رویکرد کدگذاری ویژگی از دست دادن پویا را به پایان می رساند ، با استفاده از یک حلقوی کارآمد با ابعاد بالا برای ضبط وابستگی های بین نقطه ای گسترده.این امکان پیش بینی کارآمد ویژگی های ویژگی ها را به متغیرهای نهفته امکان پذیر می کند.پس از آن ، ما از یک مدل متن استفاده می کنیم که فضای نهفته قبلی را در رابطه با یک مدل زمینه اتخاذ کننده خودکار برای رمزگذاری تانسور نهفته در یک بیت استریت استفاده می کند.ارزیابی روش ما در مورد مجموعه داده های ابری نقطه ای به طور گسترده مورد استفاده از MPEG و مایکروسافت عملکرد برتر آن را در مقایسه با روش اصلی تبدیل سلسله مراتبی ماژول-سازگار با ویژگی اصلی ماژول هسته ای از MPEG Point Cloud فشرده سازی با 38.1 ٪ صرفه جویی در میزان Delta Delta در حالی که تضمین می کند ، نشان می دهد.رمزگذاری/رمزگشایی کم ترکیب.