買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國計量大學申請的專利一種基于高效采樣與優化熵模型的點云端到端壓縮方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119135925B 。

龍圖騰網通過國家知識產權局官網在2025-05-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411621137.9，技術領域涉及：H04N19/54；該發明授權一種基于高效采樣與優化熵模型的點云端到端壓縮方法是由章東平;黃圣淇;謝亞光設計研發完成，并于2024-11-14向國家知識產權局提交的專利申請。

本一種基于高效采樣與優化熵模型的點云端到端壓縮方法在說明書摘要公布了：本發明公開了一種基于高效采樣與優化熵模型的點云端到端壓縮方法，在現有技術上通過利用局部圖的構造、圖特征嵌入和基于注意的采樣設計神經圖采樣模塊，將其嵌入到編碼過程中的特征提取網絡，采用多模塊堆疊的方式來提取原始點云的潛在關鍵點，有效提升了采樣效率；通過非對稱空間信道熵模塊利用可變形動態核擴展空間聚合能力，并將潛在變量沿著信道維度分組，在保持編碼效率的同時減少了統計冗余。本發明基于神經圖采樣模塊和非對稱空間信道熵模塊的加入，實現了最具采樣價值點的獲取和分布參數估計的有效優化，從而實現海量點云數據的端到端壓縮。

本發明授權一種基于高效采樣與優化熵模型的點云端到端壓縮方法在權利要求書中公布了：1.一種基于高效采樣與優化熵模型的點云端到端壓縮方法，其特征在于包括如下步驟：步驟1：對原始點云進行網格回歸，再經網格量化和算術編碼得到帶有網格信息的比特流，通過算術解碼和網格還原得到重構后的網格，并對其進行網格到點云的轉換，生成預測點云；步驟2：對輸入的原始點云進行神經圖采樣；構造每個點的局部圖以聚合特征屬性，然后，執行基于注意的采樣來選擇點的子集，以表示輸入點；具體包括如下步驟：步驟2.1：局部圖構造；利用K近鄰算法構造每個點的K近鄰圖，得到空間K近鄰圖特征，對于具有屬性的原始點云，基于空間域中K近鄰指數，在特征域中得到每個點的K近鄰圖屬性，將K近鄰圖屬性和空間K近鄰圖特征連接用于特征嵌入；步驟2.2：圖特征嵌入；基于K近鄰圖構建動態濾波，用于側重局部空間關系建模，將點與卷積對應，再進行特征嵌入，得到基于點的自適應卷積；步驟2.3：基于注意的采樣；對于圖特征嵌入的輸出，選擇具有可微操作的代表子集，并利用基于注意力的方法，選擇原始點云的點子集，以獲取最具采樣價值的點；步驟3：將預測點云和經過神經圖采樣后的原始點云進行特征提取，得到多尺度稀疏張量，并使用坐標編碼得到坐標比特流，之后經過特征映射，以獲取預測點云的映射特征，基于映射特征和所述特征提取的特征，通過特征減法得到殘差特征；步驟4：將殘差特征輸入非對稱空間信道熵，通過分組可變形動態核，對殘差特征的各分組進行不同的偏移和向量投影，然后將潛在變量沿著信道維度分組，每組除第一組外均從前面各組捕獲幫助性空間上下文，以優化殘差特征；具體包括如下步驟：步驟4.1：在編碼過程中，將輸入特征x發送到具有學習參數φ的編碼器ga，然后得到潛在表示y，并將潛在表示y和方差μ之間的量化殘差編碼到比特流中，進行量化操作；然后在解碼過程中，解碼器gs將解碼后的延遲轉換為重構特征，同時利用動態空間聚合和非對稱空間信道熵增強殘差特征壓縮總體框架；步驟4.2：通過可變形核來實現自適應空間聚合，首先設計動態殘余塊組，使用深度卷積來分別生成內容自適應的核偏移量和調制權值；再將輸入特征分成幾組，并在每一組內共享調制的核權值；步驟4.3：通過在超先驗部分將潛在表示y編碼為邊信息并引入動態核來聚合全局先驗分布；此外設計非對稱空間信道熵變換，將潛在變量y沿著信道維度分組，提取信道上下文，并從各組中提取空間上下文，每組除第一組外均從前面各組捕獲幫助性空間上下文，前兩組使用四階段空間上下文，后面組使用兩階段空間上下文，結合超先驗中全局上下文信息，最終通過分布參數估計來優化殘差特征；步驟5：從網格比特流中經過算術解碼還原網格，然后進行網格到點云的轉換，生成預測點云，再將預測點云經特征提取后進行特征映射，最后將映射特征結合解碼出的坐標和經過非對稱空間信道熵模塊后的殘差特征，得到原始點云的特征，用于重建原始點云。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國計量大學，其通訊地址為：310018 浙江省杭州市下沙高教園區學源街258號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。