Learning Mesh Geometry Prediction

Abstract

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.

Navrhujeme jednorázovou metodu pro kompresi geometrie trojúhelníkových sítí založenou na použití neuronového prediktoru k předpovědi zakódovaných poloh vrcholů pomocí konektivity a již známé části geometrie. Metoda vychází ze standardních metod založených na traverzování, ale místo ručně vytvořeného predikčního schématu používá k predikci neuronový prediktor. Parametry neuronového prediktoru se učí na existujícím datasetu trojúhelníkových sítí. Metoda navíc obsahuje odhad nejistoty predikce, který se používá k vedení kódovacího obcházení sítě. Výsledky navržené metody jsou porovnány s referenční metodou na datové sadě ABC pomocí mechanistických i percepčních metrik.