PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.34834v2cs.CV

손실 포인트 클라우드 속성 압축을 위한 변환 정렬 학습 특징

Transform-Aligned Learned Features for Lossy Point Cloud Attribute Compression

변환 기반(Transform-based) 방식은 속성을 변환 계수로 표현함으로써 포인트 클라우드 속성 압축을 위한 효과적인 프레임워크를 제공합니다. 이 프레임워크에 학습된 공간적 문맥을 도입하려면 공간 표현을 변환 도메인으로 매핑해야 하지만, 이러한 기저 변환은 네트워크가 암시적으로 학습하도록 맡겨지는 경우가 많습니다. 본 논문에서는 학습된 공간 표현에 속성 변환을 적용하여 이를 부호화 대상과 명시적으로 정렬하는 변환 정렬 학습 특징(Transform-Aligned Learned Features, TALF)을 제안합니다. 분석 결과에 따르면, 이렇게 도출된 특징은 유계 테일러 잉여항(bounded Taylor remainder)을 갖는 매끄러운 비선형 모델의 1차 예측 항을 정확히 표현합니다. 본 연구는 명시적인 양자화 스텝 제어를 유지하면서, 통합된 계수 도메인 율-왜곡(rate--distortion) 목적 함수 하에서 명시적 계수 예측 및 조건부 잔차 엔트로피 모델링을 갖춘 변환 기반 속성 코덱에 TALF를 통합합니다. 세 가지 벤치마크 데이터셋과 다양한 변환 기저에 대한 광범위한 실험을 통해, TALF가 기존 방식 및 학습 기반 베이스라인 대비 율-왜곡 성능을 향상함을 입증합니다.

arXiv:2509.08685v2eess.IV

3D 포인트 클라우드 속성 코딩을 위한 희소성 유도 속도-왜곡 최적화(RDO)의 딥 언롤링

Deep Unrolling of Sparsity-Induced RDO for 3D Point Cloud Attribute Coding

디코더에서 사용 가능한 인코딩된 3D 포인트 클라우드 기하학이 주어졌을 때, 우리는 다중 해상도 B-스플라인 투영 프레임워크에서 손실 속성 압축 문제를 연구한다. 목표 연속 3D 속성 함수는 먼저 중첩 부분공간 $\mathcal{F}^{(p)}_{l_0} \subseteq \cdots \subseteq \mathcal{F}^{(p)}_{L}$의 수열 위로 투영되며, 여기서 $\mathcal{F}^{(p)}_{l}$은 선택된 스케일에서 차수 $p$의 B-스플라인 기저 함수와 그 정수 이동에 의해 생성(span)되는 함수군이다. 투영된 저역통과 계수 $F_l^*$는 속도-왜곡(RD) 최적화 알고리즘을 순전파 신경망으로 가변 복잡도 언롤링하여 계산되며, 여기서 속도(rate) 항은 희소성을 촉진하는 $\ell_1$-노름이다. 따라서 투영 연산은 end-to-end 미분 가능하다. 선택된 coarse-to-fine 예측기에 대해, 계수는 더 낮은 해상도에서 더 높은 해상도로의 예측을 반영하도록 조정되며, 이 또한 데이터 기반 방식으로 최적화된다.