Une équipe de recherche conjointe de l'Académie chinoise des sciences, de l'Université Tongji et de l'Université de Ningbo a réalisé une percée majeure avec le développement d'une technique innovante de compression de nuages de points (TSC-PCAC). Cette technologie améliore considérablement l'efficacité de la compression des données de nuages de points et réduit significativement le temps de traitement, surmontant ainsi les obstacles techniques au développement d'applications 3D telles que la RA/RV.
Dans le contexte du développement rapide des technologies de vision 3D actuelles, les nuages de points, en tant que forme de données essentielle pour la réalité virtuelle et la réalité augmentée, sont confrontés à d'énormes défis en termes de transmission et de stockage. Un nuage de points de haute qualité peut contenir des millions de points de données, chaque point portant des informations multidimensionnelles telles que la position, la couleur et la transparence. L'efficacité de traitement de ces données massives influence directement la vitesse de popularisation des applications 3D.
Pour résoudre ce problème, l'équipe de recherche a développé une technique de compression d'attributs de nuages de points basée sur un transformateur de voxels de bout en bout et une convolution clairsemée (TSC-PCAC). Le cœur de cette technologie réside dans son architecture de compression en deux étapes unique : la première étape se concentre sur l'extraction et la modélisation des caractéristiques locales des nuages de points, tandis que la seconde étape utilise un champ de vision plus large pour capturer les caractéristiques globales, réduisant efficacement la redondance des données.
L'équipe de recherche a également innové en concevant un module de contexte de canal basé sur TSCM, qui, en optimisant la corrélation entre les canaux, améliore considérablement l'efficacité de la compression des données. Les données expérimentales montrent que, par rapport aux technologies de pointe existantes, TSC-PCAC a réalisé une amélioration significative du taux de compression des données : une amélioration de 38,53 % par rapport à Sparse-PCAC, de 21,30 % par rapport à NF-PCAC et de 11,19 % par rapport à G-PCC v23. Plus remarquable encore, sa vitesse de traitement a fait un bond qualitatif, le temps de codage et de décodage étant réduit respectivement de 97,68 % et de 98,78 %.
Cette avancée révolutionnaire non seulement résout les points faibles clés du traitement des données de nuages de points, mais pose également une base importante pour le développement futur des applications 3D telles que la RA/RV. L'équipe de recherche a indiqué qu'elle continuerait à explorer les techniques de réseaux profonds à plus haut taux de compression et à travailler sur une solution de traitement unifié du codage géométrique et des attributs.
Adresse de l'article : https://arxiv.org/html/2407.04284v1