论文地址: http://arxiv.org/pdf/2109.07717v1.pdf
来源: 香港科技大学
论文名称:R-PCC: A Baseline for Range Image-based Point Cloud Compression
原文作者:Sukai Wang
内容提要
在自动驾驶车辆或机器人中,来自LiDAR的点云与2D图像相比,可以提供精确的物体深度信息,但也存在数据量大的问题,不便于数据存储或传输。本文提出了一种基于距离图像的点云压缩方法R-PCC,该方法可以重建具有均匀或非均匀精度损失的点云。我们将原始大尺度点云分割成小而紧凑的区域,以实现空间冗余和显著区域分类。与其他基于体素或基于图像的压缩方法相比,该方法可以在重构点云中保留并对齐原始点云中的所有点。它还可以通过量化模块控制每个点的最大重构误差。在实验中,我们证明了我们更简单的基于FPS的分割方法可以获得比基于实例的分割方法(如DBSCAN)更好的性能。为了验证我们提出的方法的优点,我们评估了3D物体检测和SLAM的重建质量和保真度,作为下游任务。实验结果表明,我们的框架可以在不影响下游任务的情况下实现30倍的压缩比,并且与目前最先进的大规模点云压缩方法相比,我们的非均匀压缩框架在下游任务上有很大的改进。我们的实时方法是高效和有效的,足以作为基于距离图像的点云压缩的基线。
主要框架及实验结果
声明:文章来自于网络,仅用于学习分享,版权归原作者所有