文献

J-GLOBAL ID：201602288724400641   整理番号：16A1403594

モデルベースBayes学習を用いた高密度3Dメッシュの効率的符号化のための圧縮センシング【Powered by NICT】

Compressed Sensing for Efficient Encoding of Dense 3D Meshes Using Model-Based Bayesian Learning

著者 (4件)： Lalos Aris S. (Electrical and Computer Engineering Department, University of Patras, Patras, Greece) ,  Nikolas Iason (Electrical and Computer Engineering Department, University of Patras, Patras, Greece) ,  Vlachos Evangelos (Computer Engineering and Informatics Department, University of Patras, Patras, Greece) ,  Moustakas Konstantinos (Electrical and Computer Engineering Department, University of Patras, Patras, Greece)
資料名： IEEE Transactions on Multimedia  (IEEE Transactions on Multimedia)
巻： 19  号： 1  ページ： 41-53  発行年： 2017年 
JST資料番号： W1116A  ISSN： 1520-9210  CODEN： ITMUF8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 実世界または合成オブジェクトを表現する3Dモデルの簡単で信頼性の高い発生に対する要求の増大とともに,3Dメッシュの獲得,貯蔵,および伝送のための新しい方式が求められている。原理では,3Dメッシュは,頂点位置と頂点連結性から成っていた。頂点位置エンコーダである連結性符号器よりもはるかに資源要求,新しい形状圧縮方式の必要性を強調した。正確で効率的な形状圧縮システムの設計は,物体の視覚品質に影響し,計算の複雑さを最小化することなしに圧縮比を増加させることによって達成することができる。本論文では,攻撃的な圧縮比を可能にし,視覚品質を著しく減少させずに,新しい圧縮/再構成スキームを提示した。符号化を用いることにより,加算/減算だけで行った。提案方法の利点は,メッシュの密度が増加するとより明確になるが,再構成品質のための貿易効率への柔軟なフレームワークを提供する。各メッシュの最も重要なグラフFourier変換係数をモデル化し,多変量Gauss分布として新しいBayes学習アルゴリズムを導出した。期待値最大化法を用いた分布パラメータを反復的に評価した。高で決定問題における提案した方法の性能を改善するために,分割された表面の局所的平滑性を利用した。,種々の3Dモデルの大規模コレクションを用いて,広範な評価研究は,最先端技術アプローチと比較して,提案方式では,競合的圧縮比を達成し,有意に低い符号化計算量を同時に提供することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 再構成 ,  Fourier変換 ,  *符号化 ,  連結性 ,  モデリング ,  計算量 ,  符号器 ,  *三次元 ,  正規分布 ,  圧縮比 ,  三次元モデル
準シソーラス用語： EMアルゴリズム ,  視覚品質 ,  *圧縮センシング ,  *Bayes学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： モデルベース ,  Bayes学習 ,  高密度 ,  3D ,  メッシュ ,  符号化 ,  圧縮センシング