LiDARポイントクラウドに対する実用的なロスレス・ニューラル圧縮へ

arXiv cs.CV / 2026/3/27

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、高精度で疎なLiDARポイントクラウドのロスレス圧縮における非効率なコンテキストモデリングに取り組み、高速化と高い性能を狙うコンパクトな予測符号化フレームワークを提案する。
反復的に疎なジオメトリを高密度化（densify）し、高密度スケールで特徴を抽出したのち、それらの特徴を再度疎化（sparsify）して予測を軽量に保ちながら、極端に疎な詳細に対する高コストな計算を回避する「Geometry Re-Densification（幾何再高密度化）」モジュールを提案する。
複数の解像度にまたがるオキュパンシ（占有）手がかりを用いて階層的な特徴共有を導き、冗長な特徴抽出を削減する「Cross-scale Feature Propagation（スケール間特徴伝播）」モジュールを追加する。
著者らは、いくつかのニューラル圧縮手法で見られる「エントロピー符号化の崩壊（entropy-coding collapse）」を防ぎ、符号化の安定性と高速化を改善するために、ビット完全（bit-exact）かつプラットフォーム間で一貫した整数のみの推論パイプラインを導入する。
実験結果では、リアルタイム動作を行いながら競争力のある圧縮性能を報告しており、採択後にコードを公開する予定で、リポジトリは現在提供されている。

要旨: LiDARの点群はさまざまなアプリケーションの基盤ですが、高精度な幾何学的詳細の極端な疎性は、効率的なコンテキストモデリングを妨げ、その結果として既存手法の圧縮速度と性能を制限しています。この課題に対処するため、効率的な予測付き可逆符号化のためのコンパクトな表現を提案します。提案する枠組みは2つの軽量モジュールで構成されます。まず、ジオメトリ再密度化モジュールは、符号化された疎な幾何情報を反復的に再密度化し、密なスケールで特徴を抽出した後、予測符号化のために特徴を疎化します。このモジュールは、非常に疎な詳細に対して高コストな計算を行うことを避けつつ、軽量な予測ヘッドを維持します。次に、クロススケール特徴伝播モジュールは、複数の解像度レベルから得られる占有（occupancy）の手がかりを活用して階層的な特徴伝播を導き、スケール間での情報共有を可能にすると同時に、冗長な特徴抽出を削減します。さらに、既存のニューラル圧縮手法で観測されるエントロピー符号化の崩壊を回避し、符号化をさらに高速化するために、整数のみの推論パイプラインも導入します。実験により、リアルタイム速度で競争力のある圧縮性能が示されます。受理後にコードを公開します。コードは https://github.com/pengpeng-yu/FastPCC で利用可能です。