[论文解读] Hybrid Point Cloud Attribute Compression Using Slice-based Layered Structure and Block-based Intra Prediction

Yiting Shao, Qi Zhang+2 more|arXiv (Cornell University)|Apr 28, 2018

Advanced Vision and Imaging参考文献 18被引用 3

一句话总结

该论文提出了一种基于分片分层结构与基于块的帧内预测的混合点云属性压缩方案，结合自适应图傅里叶变换（GFT）与拉格朗日优化，并采用多种重排序扫描模式。该方法在帧内彩色属性编码中实现了相对于最先进RAHT系统的29.37% BD-rate增益，以及相对于MPEG TMC1基准的16.37% BD-rate增益，展现出优越的率失真性能。

ABSTRACT

Point cloud compression is a key enabler for the emerging applications of immersive visual communication, autonomous driving and smart cities, etc. In this paper, we propose a hybrid point cloud attribute compression scheme built on an original layered data structure. First, a slice-partition scheme and geometry-adaptive k dimensional-tree (kd-tree) method are devised to generate the four-layer structure. Second, we introduce an efficient block-based intra prediction scheme containing a DC prediction mode and several angular modes, in order to exploit the spatial correlation between adjacent points. Third, an adaptive transform scheme based on Graph Fourier Transform (GFT) is Lagrangian optimized to achieve better transform efficiency. The Lagrange multiplier is off-line derived based on the statistics of color attribute coding. Last but not least, multiple reordering scan modes are dedicated to improve coding efficiency for entropy coding. In intra-frame compression of point cloud color attributes, results demonstrate that our method performs better than the state-of-the-art region-adaptive hierarchical transform (RAHT) system, and on average a 29.37$\%$ BD-rate gain is achieved. Comparing with the test model for category 1 (TMC1) anchor's coding results, which were recently published by MPEG-3DG group on 121st meeting, a 16.37$\%$ BD-rate gain is obtained.

研究动机与目标

• 为解决在高空间相关性下对分布不规则的点云属性进行高效压缩的挑战。
• 通过新颖的结构化与预测工具，利用点云属性中的空间冗余，提升编码效率。
• 基于颜色属性的统计分析，使用拉格朗日优化的GFT提升变换效率。
• 通过针对残差数据分布定制的自适应重排序扫描模式，提升熵编码性能。

提出的方法

• 结合分片划分与基于几何的k-d树划分，生成支持分层处理的四层数据结构。
• 应用基于块的帧内预测，采用DC模式与五种角度模式，以利用局部空间相关性；模式选择基于绝对变换差之和（SATD）。
• 采用自适应变换方案，结合GFT与DCT，利用基于颜色属性统计的离线推导lambda乘数进行拉格朗日优化。
• 拉格朗日乘数通过训练数据（如Andrew、Phil、Ricardo、Sarah、Queen_frame_0200等）预先计算，以平衡率与失真。
• 在熵编码前，对变换后的残差应用多种重排序扫描模式，以提升编码效率。
• 使用算术熵编码与均匀量化，所有编码工具（帧内模式、变换模式、扫描模式、残差数据）均复用至比特流中。

实验结果

研究问题

• RQ1 如何有效构建分层数据结构，以支持点云属性的分层压缩？
• RQ2 基于块的帧内预测在多大程度上可减少点云属性数据中的冗余？
• RQ3 基于自适应GFT的变换与拉格朗日优化是否能优于固定变换方案，在点云属性压缩中表现更优？
• RQ4 多种重排序扫描模式对点云残差的熵编码效率有何影响？
• RQ5 各组件（分片划分、帧内预测、自适应变换、扫描重排序）对整体编码增益的相对贡献如何？

主要发现

• 所提方法在帧内点云属性压缩中，平均相比最先进RAHT系统实现29.37%的BD-rate增益。
• 平均而言，与MPEG TMC1基准（第121次会议）相比，该方法获得16.37%的BD-rate增益。
• 亮度分量相比RAHT系统实现37.95%的BD-rate增益，两个色度分量分别实现26.83%与23.34%的增益。
• 消融实验证实，各组件——分片划分、帧内预测、自适应变换与重排序扫描——均对整体率失真性能提升有显著贡献。
• 在某些数据集（如David与Dimitris）中，Y分量的PSNR最高可达4 dB的增益，相比RAHT系统。
• 在高比特率下性能保持竞争力，但部分数据集（如Longdress）的变换方案仍需小幅改进。