PyTorchKR Papers

최신 논문

총 1편
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.