深度学习驱动的点云压缩与质量评估研究

"基于深度学习的点云压缩及质量评估研究——巴黎萨克雷大学博士论文" 这篇博士论文探讨了在信息和通信科学与技术领域的关键问题，特别是在信号和图像处理的专业方向上。作者中央超级银行在巴黎萨克雷大学完成了这项研究，并在2022年由莫里斯·奎赫领导的陪审团进行答辩。论文主要关注点云数据的压缩与质量评估，这是随着点云捕获技术进步和数据量增加而日益重要的议题。 点云压缩包括两个主要方面：几何压缩和属性压缩。几何压缩处理点云的结构信息，而属性压缩则涉及与每个点相关的附加信息，如颜色和法线。由于点云的稀疏性和不规则性，这两个问题都具有相当的挑战性，与传统的基于规则网格的数据模态（如图像）不同。 论文深入分析了当前基于深度学习的几何和属性压缩方法，这些方法在处理点云的复杂性和非结构化特性方面表现出潜力。作者提出了一种基于卷积的有损几何压缩方法，通过研究其关键性能因素来优化压缩效果。此外，他们还开发了一种无损几何压缩的生成模型，利用深度学习来更好地保持原始数据的完整性。 对于属性压缩，论文提出了一种创新方法，即通过学习将点云映射到2D网格，从而将属性压缩转化为图像压缩问题，这简化了处理流程。为了改进质量评估，论文还引入了一种可微的深度感知质量度量，它允许在训练过程中考虑感知视觉质量，特别是对于有损点云几何压缩。此外，他们设计了一个基于补丁提取的卷积神经网络来评估点云的质量，这种方法能够更准确地捕捉点云的局部细节。 论文的结论部分总结了点云压缩领域的现状、存在的挑战和未来的研究方向。作者强调了在点云压缩领域深度学习的应用潜力，以及对更好理解点云数据特性和开发更加高效算法的必要性。这篇博士论文为点云处理提供了有价值的理论贡献和实践工具，对相关领域的学者和工程师有着重要的参考价值。