受限多模板最小二乘预测的三角网格压缩

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.

关键词：网格压缩、受限多模板、最小二乘、数据驱动

所属期刊栏目：31

分类号：TP311(计算技术、计算机技术)

资助基金：国家重点研发计划项目2017YFB1002703;国家自然科学基金61602416,61702458;浙江省公益技术应用研究计划2017C31032;浙江省自然科学基金LY17F020031

在线出版日期：2019-11-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1591-1598