[读论文]点云压缩研究进展与趋势（2022）
[读论文]点云压缩研究进展与趋势（2022）
张卉冉、董震、杨必胜
DOI: 10.13203/j.whugis20210103
文章目录
- Abstract:
- Keywords:
- 研究结论
- 1.本文探讨了哪些问题?
- 2.采用了什么样的研究方法?
- 3.得出了哪些结论?
- 4.对点云压缩技术的发展前景进行了展望。
摘 要：
三维点云在精细数字化物理世界建模中展现出卓越的表现力，在多个领域得到广泛应用。具体而言，在三维建模、智慧城市规划以及智能车辆导航等技术中发挥着关键作用。然而由于其海量特性以及非结构化的本质特征导致了在存储容量和传输带宽方面的严峻挑战。因此探索如何实现低比特率与保真度平衡的高效压缩方案就显得尤为重要
关键词：
三维点云；压缩算法；几何信息编码；属性信息编码；点云质量评价
结论
三维成像技术迅速发展使得人们能够高效生成高精度高密度的点云模型这一目标逐渐成为现实。然而有限存储资源与有限传输带宽所导致的巨大压力促使学术界与产业界对高效标准化的点云压缩编码方案需求持续攀升。为了在保证图像不失真率的同时实现高压缩比下的高效编码研究者们将如何优化现有算法以提升压缩效率成为了当前点云模型压缩编码的重要研究方向与技术挑战。
1.该论文研究了什么？
目前还未能有效应对呈指数级增长的点云数据量，在高压缩比下保持低失真率的同时尽量降低计算成本。为了进一步优化点云几何信息与属性信息的压缩编码效率，在存储与传输层面能够有效应对海量点云数据的需求，并能在宏观层面保留关键细节特征。本文主要围绕以下几个方面展开探讨：一是详细阐述当前关于点云压缩编码的技术研究现状；二是系统分析现有的公开数据集构建方法；三是深入分析主流压缩算法性能评估体系；四是展望未来研究的方向。
早期研究主要集中在基于网格的构造方式上[6-10]或动态调整采样密度来实现对点云模型的压缩编码[11-13]。尽管这些方法在时空压缩性能上存在一定的局限性导致部分几何属性信息丢失但随着研究的深入现有方案已在一定程度上得到了改善。在当前的研究热点中研究工作主要聚焦于计算机图形学与数字信号处理领域通过改进现有的数据分割策略并结合视频编码技术[14-15]形成了较为完善的理论体系。此外 MPEG 于 2017 年正式发布了针对点云压缩的技术提案并在 2018 年提出了统一的 TMC13 压缩编码框架为后续研究工作奠定了重要基础
点云压缩方法主要基于不同维度和特征的划分策略进行优化设计。具体而言：
(1) 该方法主要依据还原质量进行分类；
(2) 其核心策略聚焦于数据处理层面；
(3) 空间维度是其划分的重要考量因素；
(4) 另外一种划分依据则是信息类别特征的不同。
③点云压缩公开数据集合
④点云压缩评价指标
2.研究方法是什么？
为了评估PCL、MPEG及Draco这三种开源点云压缩算法的表现效果，在本研究中选择了一系列具有色彩特性的三维模型作为实验样本。这些样本均为PLY文件格式存储。如图3所示，在这四款三维模型中每款都展现了独特的扫描特性以及表面积特征。其三维数据呈现光滑表面和平整区域分布，并整体上缺乏明显的空腔或孔隙区域。所选样本包括以下几款具代表性的个人图像模型
注
为了评估PCL、G-PCC和Draco等开源方法在几何信息损失情况下的压缩性能，在实验设置中采用了相似的比特率范围。具体而言，在PCL编码过程中未进行细节压缩，并未对属性信息进行量化处理；同时将八叉树分辨率参数设定为2至16；采用octree-predictive编码模式下将位置量化比例设定为0.5至0.05，并保持其他参数默认设置；对于Draco方法则固定了坐标量化保留位数为8-14位。实验结果表明，在图8所示的率失真曲线上反映了各点云数据经压缩后的几何形状与位置信息表现；其中横坐标表示单位几何信息码率平均值；纵坐标则表示各点云数据经压缩后的几何峰值信噪比数值。
为了全面评估上述三种开源方法在属性信息有损情况下的压缩性能，本研究采取了与PCL、G-PCC及Draco等方法相仿的量化参数设置策略。具体而言：（1）在PCL压缩过程中采用了细节编码策略，并将属性的有效位数设定在3至6位之间；（2）采用基于八叉树预测的压缩模式，在G-PCC框架下将步长因子设定于10至40之间，并保持其他参数处于默认状态；（3）针对Draco方法进行了优化配置，在其属性编码阶段设置了与前两项类似的3-6位有效位数配置。通过实验分析，在Y通道下实现了点云序列的速率失真性能曲线绘制，并通过对比实验得出了各算法对应的性能指标数据（如图9所示）。其中，横坐标反映了每单位点云数据所占用的码率值；纵坐标则表示各点云数据经压缩后的峰值信噪比值。
3.得到的结论是什么？
从实验结果分析可知：
在压缩效率方面，在上述三种实验条件下 G-PCC 显著优于其他方法，在有损压缩场景下 Draco 的压缩效率较 PCL 更高，在无损条件下则 PCL 的表现更优；
在信息保真性方面，则 G-PCC 和 Draco 在不同有损压缩条件下仍能保持一定的重建精度，并且在几何信息和属性信息保留方面均显著优于 PCL；
就压缩与解压的整体时间而言，在该测试中 Draco 总体上优于其他两种方法，在 PCL 后面紧随其后的是 G-PCC，则其仍有较大的提升空间
综上所述，在率失真性能方面,G-PCC点云压缩方法展现出卓越的优势,相较于G-PCC点云压缩项目,Draco虽然在压缩效率上表现略显逊色,但在解压速度方面更具优势。由此可见,G-PCC与Draco均能为不同的应用场景提供具有竞争力的解决方案,以满足各类实际需求,其中前者更适合应用于存储空间受限但对保真度要求较高的场景,而后者则更适合适应对实时性要求较高的任务。
4.点云压缩展望？
基于采集技术、数据处理方法及传感器的发展进步，在数据质量方面有所提升，在成本控制方面有所减少，并且在数据规模方面实现了显著增加。
针对点云的大规模数据特征（包括非结构化、密度不均以及实体间高度相似性）的具体表现形式和内在机理，在实际应用中如何构建高效的存储与计算管理方案
针对点云压缩过程中的问题涉及计算复杂度较高且难以精确描述数据分布特征，并未能充分结合场景特定信息实现目标化处理；同时，在重建点云时还存在细节丢失以及整体变形等问题。未来研究方向主要包括以下几个方面：
（1）顾及特征同质与信息均衡的点云超体素生成方法，在特征同质与信息均衡的损失函数约束下，完成点云等信息熵的超体素划分，并以此代替等尺寸的单位体素作为点云压缩的基本单元，既提高点云压缩的效率，又降低点云压缩的失真率；
（2）创建基于局部细节差分和全局相似性约束的渐进式点云压缩方法，针对点云的空间分布情况，自适应划分点云空间域，通过不同分辨率的层次结构提高细节重构能力，有效降低解码后的数据失真率；
（3）发展融合超先验引导与稀疏编码的点云隐含空间表达方法，利用高维空间隐含向量的稀疏编码表达点云，并利用超先验知识指导点云编码过程，使得熵模型的编码概率与隐含向量的边缘概率更加吻合，从而减少算术编码的内存消耗，以此提升数据压缩比；
（4）创建基于空间连续函数的点云表达与压缩方法，对点云的几何和属性信息采用合适的体积函数进行表达，并对其进行量化和熵编码，从而充分结合点云数据的几何信息和属性信息，实现兼顾点云几何和属性
的联合压缩；
（5）提出更加合理的点云质量评价指标，计算点云压缩产生的几何信息和属性信息损耗，既能从主观上评价压缩对点云可视化效果的影响，也能从客观角度反映压缩对下游任务（如，场景理解，模型重建等）的影响；
（6）丰富点云压缩测试数据集（如，手持式、地面基站、车载测量系统、无人机测量系统等），完善点云压缩算法在沉浸式远程实时通信、交互式 VR、文化遗产展示与修复、动态地图与智能交通等科学与工程研究等案例的应用研究；
（7）改进预测编码、变换编码及熵编码技术方案，合理选择量化参数和码率控制模式，从而实现率失真优化的点云压缩标准框架，有效填补国标和行标的空白；
（8）点云深度学习方法和理论仍处于发展阶段，如何应对小规模数据集和点云的非结构化性质、提高网络的卷积效率、解耦高低频信息等也是点云数据压缩的未来发展方向。
展望未来，在人工智能、云计算与5G技术协同作用下
[1] 张卉冉, 董震, 杨必胜, 黄荣刚, 徐大展. 点云压缩领域的研究进展及发展趋势[J/OL]. 《武汉大学学报·信息科学版》: 第一期至第十九期[发布日期]. http://kns.cnki.net/kcms/detail/42.1676.TN.20220302.1358.00₂.html