In den letzten Jahren haben 3D-Point Clouds, die Darstellungen von dreidimensionalen (3D) Daten sind, aufgrund von technologischen Fortschritten und günstigeren 3D-Sensoren in zahlreichen Bereichen, wie z. B. virtueller Realität, erweiterter Realität, 3D-Videos, Robotik, intelligenten Städten, Telepräsenz und autonomem Fahren, stark an Popularität gewonnen. Die zunehmende Größe und Komplexität von Point Clouds, die Millionen von Datenpunkten pro Szene enthalten können, stellen jedoch Herausforderungen bei der effizienten Übertragung, Komprimierung und Verarbeitung dar. Bisherige Methoden zur Point Cloud Kompression konzentrieren sich in der Regel eine möglichst konstante Datenqualität und vernachlässigen dabei oft die praktische Nutzbarkeit der Daten. So steht bei autonomen Fahrzeugen beispielsweise die Wahrnehmung durch die Maschine im Vordergrund, insbesondere Aufgaben wie Fahrzeugortung und Objekterkennung. Daraus folgt, dass der Fokus stärker auf relevanten Objekten liegen sollte und weniger oder gar nicht auf weniger relevanten Umgebungsobjekten. Priorisierung dieser aufgabenspezifischen Objekte spart wertvolle Übertragungsbandbreite und erhöht den allgemeinen Nutzen der Point Cloud Daten beim Empfänger.

In dieser Arbeit betrachten wir die besonderen Eigenschaften von Point Clouds, insbesondere die Möglichkeit, einzelne Objekte aus der ursprünglichen Point Cloud zu extrahieren, die anschließend unabhängig voneinander verarbeitet und gestreamt werden. Unser erster Beitrag verbessert das Verständnis, wie verschiedene Konfigurationen, einschließlich komprimierungsrelevanter Parameter, Entfernung des Objektes und reduzierte Bildwiederholrate, die Qualität von Point Cloud-Objekten beeinflussen. In unserem zweiten Beitrag untersuchen wir, wie sich diese Konfigurationen auf die Qualität und den Ressourcenbedarf auswirken. Durch die Untersuchung dieser Zusammenhänge sollen Konfigurationen identifiziert werden, die die Qualität maximieren und gleichzeitig den Ressourcenverbrauch minimieren. Auf Basis der gesammelten Daten generalisieren wir unsere Beiträge durch die Entwicklung eines Maschine-Learning-basierten Modells zur Vorhersage der Qualität einer vorgegebenen Point Cloud. Um die Anpassungsfähigkeit von Point Cloud-Inhalten an wechselnde Bedingungen zu ermöglichen, untersucht unser dritter Beitrag, wie sich die Integration objektbezogener Informationen, wie beispielsweise Objektsemantik, in das Point Cloud-Streaming auf die Anpassungsfähigkeit und die Übertragungsleistung im Vergleich zu herkömmlichen Methoden auswirkt. Mittels umfangreicher Experimente evaluieren wir unsere Beiträge detailliert und belegen die erheblichen Vorteile von inhaltsbasiertem Streaming.

Zusammenfassend führt diese Arbeit das Konzept der inhaltsbasierten Point Cloud-Anpassung ein und vergleicht sie mit alternativen, modernen Ansätzen. Die Beiträge dieser Arbeit stellen einen ersten Schritt dar, um die Machbarkeit der inhaltsbasierten Point Cloud-Anpassung zur Verbesserung der Effizienz der Point Cloud-Übertragung zu demonstrieren.