-
公开(公告)号:CN114286103B
公开(公告)日:2024-12-03
申请号:CN202111597535.8
申请日:2021-12-24
Applicant: 复旦大学
IPC: H04N19/189 , H04N19/91 , H04N19/597
Abstract: 本发明提供一种基于深度学习的保留密度的点云压缩方法,用于在点云压缩过程中保留原始点云的密度从而生成高质量的重建点云,其特征在于,包括如下步骤:步骤S1,对预先获取的点云数据进行预处理从而得到训练样本;步骤S2,构建用于提取点云数据的几何信息与密度信息的编码器,并基于编码器获取点云特征;步骤S3,采用熵编码器对点云特征进行压缩;步骤S4,构建用于对点云特征进行上采样的解码器;步骤S5,构建损失函数;步骤S6,基于训练样本对由编码器、熵编码器以及解码器组成的点云压缩模型采用损失函数进行训练;步骤S7,将点云数据输入至训练好的点云压缩模型从而实现保留原始点云密度的点云压缩。
-
公开(公告)号:CN114286103A
公开(公告)日:2022-04-05
申请号:CN202111597535.8
申请日:2021-12-24
Applicant: 复旦大学
IPC: H04N19/189 , H04N19/91 , H04N19/597
Abstract: 本发明提供一种基于深度学习的保留密度的点云压缩方法,用于在点云压缩过程中保留原始点云的密度从而生成高质量的重建点云,其特征在于,包括如下步骤:步骤S1,对预先获取的点云数据进行预处理从而得到训练样本;步骤S2,构建用于提取点云数据的几何信息与密度信息的编码器,并基于编码器获取点云特征;步骤S3,采用熵编码器对点云特征进行压缩;步骤S4,构建用于对点云特征进行上采样的解码器;步骤S5,构建损失函数;步骤S6,基于训练样本对由编码器、熵编码器以及解码器组成的点云压缩模型采用损失函数进行训练;步骤S7,将点云数据输入至训练好的点云压缩模型从而实现保留原始点云密度的点云压缩。
-