Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds

Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds

https://arxiv.org/abs/1905.03691

Sampling layer

在G-PCC中，基于八叉树的几何编码根据量化尺度来控制有损几何压缩，设输入点云为：

G-PCC编码器的量化计算如下：

其中$X_{shift}$和$s$是用户人工定义的参数。

量化后，将有许多重复点共享相同的量化位置。一种常见的方法是合并这些重复的点，这样可以减少输入点云中的点数。

受G-PCC的启发，这篇文章将点云进行下采样后输再输入编码器。输入点$x_1，x_2，\dots ，x_n$，被最远点采样（FPS）得到子集$x_{i_1}，x_{i_2}，\dots ，x_{i_m}$，其中$x_{i_j}$是距离已采样点集$x_{i_1}，x_{i_2}，\dots ，x_{i_{j-1}}$最远的点。与随机采样相比，FPS采样得到的点集的密度更均匀，更能保持原始对象的形状特征。

Encoder and Decoder

编码器使用PointNet：

解码器使用全连接网络：

Quantization

用加性均匀噪声代替量化：

Rate-distortion Loss

率： non-parametric and fully factorized density model

失真：Chamfer distance

结果

数据集：ShapeNet