【SLAM】开源 | 一种基于距离图像的点云实时压缩方法R-PCC，重建具有均匀或非均匀精度损失的点云

论文地址： http://arxiv.org/pdf/2109.07717v1.pdf

来源： 香港科技大学

论文名称：R-PCC: A Baseline for Range Image-based Point Cloud Compression

原文作者：Sukai Wang

内容提要

在自动驾驶车辆或机器人中，来自LiDAR的点云与2D图像相比，可以提供精确的物体深度信息，但也存在数据量大的问题，不便于数据存储或传输。本文提出了一种基于距离图像的点云压缩方法R-PCC，该方法可以重建具有均匀或非均匀精度损失的点云。我们将原始大尺度点云分割成小而紧凑的区域，以实现空间冗余和显著区域分类。与其他基于体素或基于图像的压缩方法相比，该方法可以在重构点云中保留并对齐原始点云中的所有点。它还可以通过量化模块控制每个点的最大重构误差。在实验中，我们证明了我们更简单的基于FPS的分割方法可以获得比基于实例的分割方法(如DBSCAN)更好的性能。为了验证我们提出的方法的优点，我们评估了3D物体检测和SLAM的重建质量和保真度，作为下游任务。实验结果表明，我们的框架可以在不影响下游任务的情况下实现30倍的压缩比，并且与目前最先进的大规模点云压缩方法相比，我们的非均匀压缩框架在下游任务上有很大的改进。我们的实时方法是高效和有效的，足以作为基于距离图像的点云压缩的基线。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有