[论文解读] Comments on "Compression of 3D Point Clouds Using a Region-Adaptive Hierarchical Transform"

Gustavo Sandri, Ricado L. de Queiroz+1 more|arXiv (Cornell University)|May 23, 2018

3D Shape Modeling and AnalysisEngineering参考文献 3被引用 17

一句话总结

该论文在熵编码前提出基于深度的RAHT（区域自适应分层变换）系数重排序，结合自适应游程长度Golomb-Rice（RLGR）编码，显著提升了压缩效率。重排序后的RLGR-RAHT在率失真性能上优于原始AC-RAHT和最先进的基于图变换（GT）的编码器，同时保持了较低的计算复杂度。

ABSTRACT

The recently introduced coder based on region-adaptive hierarchical transform (RAHT) for the compression of point clouds attributes, was shown to have a performance competitive with the state-of-the-art, while being much less complex. In the paper "Compression of 3D Point Clouds Using a Region-Adaptive Hierarchical Transform", top performance was achieved using arithmetic coding (AC), while adaptive run-length Golomb-Rice (RLGR) coding was presented as a lower-performance lower-complexity alternative. However, we have found that by reordering the RAHT coefficients we can largely increase the runs of zeros and significantly increase the performance of the RLGR-based RAHT coder. As a result, the new coder, using ordered coefficients, was shown to outperform all other coders, including AC-based RAHT, at an even lower computational cost. We present new results and plots that should enhance those in the work of Queiroz and Chou to include the new results for RLGR-RAHT. We risk to say, based on the results herein, that RLGR-RAHT with sorted coefficients is the new state-of-the-art in point cloud compression.

研究动机与目标

• 通过低复杂度的熵编码提升基于RAHT的3D点云压缩的率失真性能。
• 解决原始RAHT工作中RLGR-RAHT性能不佳的问题，其表现劣于基于算术编码（AC）的RAHT。
• 探索能提升零游程长度并改善RLGR效率的系数排序策略。
• 证明简单的重排序可使RLGR-RAHT在性能上媲美或超越更复杂的最先进编码器。

提出的方法

• 根据八叉树结构中从根到叶的深度对RAHT系数进行重排序，以将高频系数聚集在一起。
• 对深度排序后的RAHT系数应用自适应游程长度Golomb-Rice（RLGR）熵编码，以利用更长的零游程。
• 在排序和熵编码前使用步长为Q的量化器生成量化系数。
• 比较三种排序策略：未排序、深度排序和权重排序（其中权重反映系数生成过程中涉及的体素数量）。
• 使用每体素比特数（bpv）和信噪比（PSNR）作为评估指标。
• 用本研究中深度有序RLGR-RAHT实现的新结果，替换[1]中原始RAHT的率失真曲线。

实验结果

研究问题

• RQ1 对RAHT系数进行重排序是否能提升3D点云压缩中基于RLGR的熵编码性能？
• RQ2 与未排序或权重排序相比，基于深度的RAHT系数排序是否能产生更长的零游程长度？
• RQ3 在保持较低复杂度的前提下，使用深度排序系数的RLGR-RAHT能否在率失真性能上超越AC-RAHT？
• RQ4 所提出的深度排序RLGR-RAHT是否在性能上可与或优于最先进的基于图变换（GT）的编码器？
• RQ5 改进的系数排序是否能减少RAHT压缩中对复杂算术编码的依赖？

主要发现

• 深度排序的RLGR-RAHT在所有测试方法中实现了最佳的率失真性能，优于未排序和权重排序的变体。
• 在Q=10时，深度排序的RLGR-RAHT将‘Man’点云的每体素比特数从3.1046（未排序）降低至2.0581，提升33.7%。
• 在Q=40时，深度排序方法将‘Man’点云的每体素比特数从0.7638（未排序）降低至0.5345，减少30.0%。
• 在Q=10时，深度排序的RLGR-RAHT在‘Ricardo’点云上实现了43.6176 dB的PSNR，优于原始AC-RAHT和GT编码器。
• 所提方法在性能上优于GT编码器，同时计算复杂度低于AC-RAHT。
• 图4和图5中的率失真曲线表明，深度有序RLGR-RAHT在所有测试点云和量化步长下均持续优于其他所有编码器。