Learning Mesh Geometry Prediction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F24%3A43972289" target="_blank" >RIV/49777513:23520/24:43972289 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-031-63749-0_12" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-63749-0_12</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-63749-0_12" target="_blank" >10.1007/978-3-031-63749-0_12</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning Mesh Geometry Prediction

Popis výsledku v původním jazyce

We propose a single-rate method for geometry compression of triangle meshes based on using a neural predictor to predict the encoded vertex positions using connectivity and an already known part of the geometry. The method is based on standard traversal-based methods but uses a neural predictor for prediction instead of a hand-crafted prediction scheme. The parameters of the neural predictor are learned on a dataset of existing triangle meshes. The method additionally includes an estimate of the prediction uncertainty, which is used to guide the encoding traversal of the mesh. The results of the proposed method are compared with a benchmark method on the ABC dataset using both mechanistic and perceptual metrics.

Název v anglickém jazyce

Learning Mesh Geometry Prediction

Popis výsledku anglicky

We propose a single-rate method for geometry compression of triangle meshes based on using a neural predictor to predict the encoded vertex positions using connectivity and an already known part of the geometry. The method is based on standard traversal-based methods but uses a neural predictor for prediction instead of a hand-crafted prediction scheme. The parameters of the neural predictor are learned on a dataset of existing triangle meshes. The method additionally includes an estimate of the prediction uncertainty, which is used to guide the encoding traversal of the mesh. The results of the proposed method are compared with a benchmark method on the ABC dataset using both mechanistic and perceptual metrics.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GF23-04622L" target="_blank" >GF23-04622L: Komprese dat založená na vynechání samozřejmé informace - COMPROMISE</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Computational Science – ICCS 2024. Lecture Notes in Computer Science

ISBN

978-3-031-63748-3

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

15

Strana od-do

166-180

Název nakladatele

Springer Nature Switzerland

Místo vydání

Cham

Místo konání akce

Málaga

Datum konání akce

2. 7. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001279316700012