压缩方法
本技术涉及数据压缩的,尤其涉及一种压缩方法。
背景技术:
1、点云由三维空间坐标及附着其上的属性(如颜色、反射率)构成。点云压缩通常分为几何压缩与属性压缩两大类,现有几何压缩方法包括基于八叉树的传统编码方案和基于神经网络的熵模型方法,但这类方法对稀疏数据适应性差、动态帧间冗余利用不足,且模型泛化能力有限。属性压缩则因数据类型不同而采用图像、点云、触觉等各自专属的编解码工具,缺乏统一建模框架,通用字节压缩器又无法利用空间结构。
2、目前已有一些几何属性联合压缩方案,但大多将二者视为独立阶段,几何解码结果并未作为属性概率模型的条件输入,导致几何信息无法充分指导属性编码。此外,属性编码中同一坐标的多通道属性常被展开为多个序列标记,使注意力长度成倍增长;位置编码多依赖一维序列编号,未能利用真实三维坐标关系;长序列自回归解码重复计算历史上下文,影响效率。
3、因此,亟需一种能够统一处理多种空间数据类型、使几何恢复结果直接服务于属性概率估计,并兼顾密度适应性与解码效率的联合压缩方法。
4、上述内容仅用于辅助理解本技术的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本技术的主要目的在于提供一种压缩方法,旨在解决现有联合压缩方法中,几何信息与属性编码相互割裂,且编解码端条件不一致,导致属性压缩效率低、解码正确性难以保证的技术问题。
2、为实现上述目的,本技术提出一种压缩方法,所述压缩方法包括:
3、获取输入空间数据,所述输入空间数据包括空间位置坐标和附着于所述空间位置坐标上的属性数据;
4、对所述空间位置坐标进行几何编码,生成几何码流;
5、在编码端模拟几何解码过程,获得重建坐标集合;
6、基于所述重建坐标集合,对所述属性数据进行属性编码,生成属性码流;
7、将所述几何码流和所述属性码流,封装为总码流。
8、在一实施例中,所述对所述空间位置坐标进行几何编码的步骤,包括:
9、构建所述空间位置坐标的分层占用表示,其中,将当前层级的父体素按照预设空间划分规则划分为多个子空间,并生成占用码,所述占用码用于标识所述多个子空间中各子空间是否包含空间位置;
10、采用联合稀疏卷积与序列化窗口注意力的网络模型作为几何编码模型,通过所述几何编码模型预测当前层级的占用码概率;
11、根据所述占用码概率,对当前层级的占用码进行熵编码,生成当前层级的几何子码流;
12、根据所述当前层级的占用码,确定下一层级待展开的非空子空间坐标集合,并迭代执行上述步骤直至达到预设层级深度;
13、其中,在编码端模拟几何解码过程,根据各层级占用码逐级恢复得到所述重建坐标集合。
14、在一实施例中,所述通过所述几何编码模型预测当前层级的占用码概率的步骤,包括:
15、对当前层级的体素按照保持空间邻近性的顺序进行排列,划分为若干窗口;
16、采用稀疏卷积提取各体素的局部邻域特征;
17、在各窗口内部署序列化窗口注意力,使不同体素之间进行信息交换,以获得各体素的全局关联特征,其中,在注意力计算过程中,使用体素的真实三维坐标进行相对位置编码,以感知相对空间方向和距离;
18、将所述局部邻域特征与所述全局关联特征进行融合,得到各体素的融合特征,并基于所述融合特征预测当前层级的占用码概率。
19、在一实施例中,当所述输入空间数据为动态多帧数据时,对非首帧数据执行以下步骤:
20、从前一已解码帧提取分层结构特征,并将所述分层结构特征传播至当前帧的候选坐标,生成时间上下文;
21、将所述时间上下文与当前帧的空间上下文融合,基于融合后的上下文,通过所述几何编码模型预测当前层级的占用码概率;
22、其中,当前帧的预测过程复用帧内模式下的所述几何编码模型的网络参数及解码顺序,并且不编码也不传输逐点运动向量。
23、在一实施例中,所述压缩方法还包括:
24、当输入数据与训练数据分布差异超过预设阈值时,在编码端对所述几何编码模型的预测头中的低秩增量参数进行更新;
25、将更新后的低秩增量参数进行量化和压缩,作为侧信息写入所述总码流;
26、其中,解码端从所述总码流中恢复所述低秩增量参数,并加载至解码模型中,用于解码所述几何码流。
27、在一实施例中,所述基于所述重建坐标集合,对所述属性数据进行属性编码,生成属性码流的步骤包括:
28、将所述重建坐标集合映射至统一坐标接口,所述统一坐标接口为三维坐标接口;
29、对映射后的坐标和对应的属性数据,按照空间填充码由小到大的顺序进行同步排序;
30、将每个坐标上的一个或多个属性分量融合为一个坐标级融合属性标记;
31、将排序后的融合属性标记序列划分为若干个属性块,将每个属性块的首个融合属性标记作为启动标记直接存储;
32、对除启动标记外的其余融合属性标记,采用统一自回归预测器基于已解码的历史融合属性标记和历史坐标,预测当前融合属性标记的概率分布;
33、根据所述概率分布,对当前融合属性标记进行熵编码,生成属性子码流;
34、将各属性块的启动标记和属性子码流封装为所述属性码流。
35、在一实施例中,所述预测当前融合属性标记的概率分布的步骤,包括:
36、采用因果掩码,使当前待预测位置无法访问该位置及其后的真实属性;
37、在每一属性块中,将块内首坐标作为参考原点,计算各坐标相对于所述参考原点的整数偏移;
38、将因果注意力中各注意力头的通道按坐标维度数量划分为若干轴向子空间,根据各坐标在各轴向上的偏移,对由已解码历史前缀生成的查询向量和键向量进行旋转调制,得到经几何旋转位置编码的注意力得分;
39、根据所述注意力得分生成当前待预测位置的上下文状态,并基于所述上下文状态输出当前融合属性标记的概率分布。
40、在一实施例中,当同一坐标上包含多个属性分量时,所述统一自回归预测器包括共享主干和轻量属性输出头;所述共享主干对每个坐标仅生成一次空间上下文;
41、由所述轻量属性输出头在同一坐标内部按照预定次序逐分量预测各属性分量的概率;
42、在先属性分量被编码或解码后,将所述先属性分量作为条件信息,用于预测同一坐标内的后续属性分量;
43、不同坐标之间的属性分量依赖关系由所述共享主干建模,同一坐标内部的属性分量依赖关系由所述轻量属性输出头建模。
44、在一实施例中,所述属性编码采用基于键值缓存的自回归解码方式;
45、其中,在自回归解码过程中,保存已解码前缀对应的每一注意力层的键向量和对应的值向量;
46、每解码得到一个新的融合属性标记,仅计算所述新标记对应的键向量和值向量,并将其追加至缓存中;
47、基于缓存的键向量和值向量计算后续标记的概率分布。
48、在一实施例中,所述压缩方法还包括:
49、当所述空间位置坐标为规则网格分布时,省略所述几何编码的步骤,所述输入空间数据还包括数据分辨率信息,编码端直接根据所述数据分辨率信息重建坐标集合,并基于重建的坐标集合执行所述属性编码步骤。
50、此外,为实现上述目的,本技术还提出一种压缩设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的压缩方法的步骤。
51、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的压缩方法的步骤。
52、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上文所述的压缩方法的步骤。
53、本技术提出的一个或多个技术方案,至少具有以下技术效果:
54、现有联合压缩方法大多将几何编码和属性编码视为两个独立阶段,几何解码结果仅作为独立的输出存在,并未作为属性概率模型的条件输入,导致几何恢复出的空间结构信息无法有效指导属性编码。本技术通过在编码端模拟几何解码过程获得重建坐标集合,并以该重建坐标集合作为属性编码的空间条件,使属性编码的概率估计能够充分利用几何解码恢复出的空间采样结构、局部密度分布和邻域关系等信息。几何解码状态不再是独立于属性码流之前的孤立结果,而是直接参与了属性概率模型的构建,实现了几何与属性的深度融合与协同压缩,能够有效提升属性编码的压缩效率。
55、几何编码通常为有损压缩,解码端恢复的坐标与原始坐标存在偏差。如果编码端直接基于原始坐标进行属性编码,而解码端基于有损恢复后的坐标进行属性解码,两端将使用不一致的空间条件进行属性概率估计,导致解码端无法正确还原编码端的概率分布,进而影响无损熵解码的正确性和压缩率。本技术通过在编码端模拟几何解码过程,使编码端在编码属性之前即获得了与解码端完全一致的重建坐标集合,确保了两端在同一空间条件下进行属性概率的估计和编码,从根源上保证了无损熵编码的正确性,也使得属性码流能够以更紧致的概率分布实现更高的压缩比。
56、本技术将几何码流和属性码流封装为同一总码流,解码端直接从几何码流中恢复坐标集合,再基于该坐标集合解码属性码流。属性码流中不需要重复传输完整的坐标表或空间结构信息,避免了传统方案中因几何与属性独立编码而导致的信息重复存储,减少了总码流的体积。
57、本技术以空间位置坐标与附着属性作为统一输入接口,不限定空间位置的维度(一维、二维或三维)和规则性(规则网格或不规则点集),也不限定属性的类型和通道数。无论是三维点云的颜色/反射率、二维图像的像素值、深度图的深度值、触觉数据的压力值、还是三维高斯的透明度与球谐系数等,均可通过同一套几何编码与属性编码流程进行处理。这种统一框架避免了为每一种空间观测设计独立压缩工具所带来的碎片化问题。
58、本技术将几何码流和属性码流封装为统一的总码流,解码端只需解析一份总码流即可完整恢复几何和属性信息。这种码流结构有利于实际的传输与存储应用,减少了文件头和格式转换的开销,也便于解码端的统一调度和并行解码。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com