本篇论文介绍了基于学习的卷积变换和均匀量化的静态点云数据几何压缩方法，并将解码过程视为点云占用图的二元分类。该方法在 Microsoft Voxelized Upper Bodies 数据集上表现优异，平均 BDBR 节省率达 51.5%，且能够在低比特率下仍产生高分辨率的输出。

Mar, 2019

本研究提出了一种通用的基于自编码器的几何点云有损压缩架构，与手工编码器相比，此方法快速适应先前未见过的媒体内容和格式，并实现了可竞争的性能。

Apr, 2019

本文提出了一种基于神经网络的自动编码器和3D卷积的点云几何压缩方法，相对于 MPEG 标准压缩算法，可以获得至少60% BD-Rate增益，并在视觉效果上表现优越。

Sep, 2019

本文提出了一种基于多尺度自动编码器的点云压缩方法，利用稀疏性质进行分层重建，通过无损压缩几何空间和有损压缩特征属性，实现了比现有方法更高效的压缩率和编码速度。

Nov, 2020

本文介绍了一种基于学习的无损压缩方法，可用于静态点云几何图形，基于自适应算术编码。我们的编码器在八叉树和体素编码之间混合操作，即将点云自适应地分区为多分辨率体素块，使用八叉树表示分区。利用深卷积神经网络对体素进行学习和处理，呈现了优越的性能。在Microsoft Voxelized Upper Bodies（MVUB）和MPEG的不同点云数据集上，与最先进的MPEG G-PCC标准相比，平均节省了28％的数据。

Nov, 2020

本文提出了一种基于块的压缩算法，使用深度学习对点云的几何信息进行有损压缩，并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩，使用局部重构误差作为优化标准，保证压缩后的点数与原始数据相等。同时，该算法的网络模型还可方便地应用于同类问题，例如点云上采样。

Oct, 2021

本文介绍了一种基于深度学习和卷积神经网络的、适用于点云的几何压缩方法，实现了对于点云的空间信息和几何细节的有损压缩，该方法可以有效地处理点云中的局部相关性，提高压缩和重建质量。

Sep, 2022

该论文介绍了一种利用轻量级超分辨率网络对点云几何进行压缩的方法，通过将点云分解为基点云和插值模式，用于重构原始点云。通过训练超分辨率网络来获取插值模式的信息，然后将网络参数传输到解码器以帮助点云重构。实验证明了该方法在MPEG Cat1和Cat2数据集上具有出色的压缩性能。

Nov, 2023

该研究论文提出了一种基于几何的超分辨率方法，用于点云几何压缩，并通过构建内容相关的分层先验实现了粗粒度到细粒度的点云几何超分辨率，以在编码器和解码器之间实现更准确的先验，以减少位数消耗并获得资源占用等方面的性能改进。

Feb, 2024

本论文介绍了一个能够处理几何和属性组件的点云压缩框架，利用两个基于坐标的神经网络来隐式表示体素化的点云，通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明，与最新的G-PCC标准中采用的八叉树方法相比，我们提出的方法具有更优越的性能，并且与现有的基于学习的技术相比具有高度的普适性。

May, 2024