受限多模板最小二乘预测的三角网格压缩
Journal of Computer-Aided Design & Computer Graphics（2019）
摘要
为提高网格压缩的编码压缩率,充分利用网格局部邻域信息特征,提出一种数据驱动的多模板最小二乘预测方法.在训练阶段,从网格模型中所有可能构建的5个顶点的模板中提取特征数据作为训练集,在局部坐标系下构建预测器并通过最小二乘法求解预测器的权重;在编码阶段,对当前顶点的量化坐标预测使用受限多模板策略,根据多个可用的模板选择最优集合进行线性组合,再对残差进行熵编码.不同于网格无关的网格坐标预测策略(如平行四边形预测器),文中方法深入利用网格模型上邻近三角形之间的相关性,有效地降低了坐标预测的误差,从而提高了压缩率.在同等的量化误差和拓扑遍历顺序下,与已有的预测方法相比,受限多模板最小二乘预测器通常能够获得更高且稳定的压缩率,尤其在光滑模型上压缩效果更为显著.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要