本研究提出了一种使用字典方法进行特征网格压缩的方法，可以将其内存消耗降低 100 倍，同时实现了多分辨率表示，其优化方法可以作为离散神经表示的端到端训练解决方案，适用于无法进行直接监督并具有动态拓扑和结构的空间。

Jun, 2022

我们提出了一种利用坐标网络和多分辨率哈希编码对体积数据进行压缩和表示的高效方法，通过学习空间坐标和强度值之间的映射，实现有效的压缩，比较了不同编码方案，并展示了多分辨率哈希编码在压缩质量和训练效率方面的优越性，同时借助优化型元学习，特别是使用 Reptile 算法，学习适用于体积数据的神经表示的权重初始化，从而在优化过程中实现更快的收敛，此外，我们与最先进的方法进行比较，展示了改进的图像质量和压缩比，这些发现突显了利用基于坐标的网络和多分辨率哈希编码进行高效准确的体积数据表示的潜力，为大规模数据可视化和其他应用的进展铺平了道路。

Jan, 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

本文提出了一种基于变分贝叶斯神经网络的数据压缩方法，并使用相对熵编码代替量化和熵编码以优化 $eta$-ELBO 的速率失真性能，同时通过迭代算法学习先验权重分布并采用渐进式细化过程来有效提高压缩性能。实验证明，该方法在图像和音频压缩方面具有强大的性能，同时仍保持简洁。

May, 2023

本研究提出了一种基于神经场的三维数据压缩算法，能够优秀地进行几何压缩以及属性（例如颜色）压缩。

Nov, 2023

采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

Dec, 2021

采用深度神经网络方法压缩 3D 场景，以实现更高效的存储和重建过程。

May, 2021

本文提出了一种使用压缩方法从紧凑的角度追求较小体积的神经辐射场的简单而有效的框架，该方法利用网格模型固有的代表特性，开发了非一致压缩方法以显着减少模型复杂性，并引入了名为 “神经码书” 的新颖参数化模块，通过快速优化来更好地编码每个场景模型的高频细节，从而实现对网格模型存储量的超过 40 倍的减少，在具有竞争性的渲染质量和 180 fps 的实时渲染速度的同时，相对于实时渲染方法而言具有存储成本的显著优势。

May, 2023

本文介绍了一种高效的压缩神经表示（ECNR）解决方案，通过多尺度结构和深度压缩策略，改进了 neurcomp 以处理大规模时变数据集，结果表明 ECNR 是一种有前景的科学数据压缩替代方法。

Oct, 2023

该研究提出了使用神经网络进行图像压缩的简单方法，该方法在编码图像时将 MLP 的权重作为代码存储。实验表明，该方法在低比特率下胜过 JPEG，是一种有吸引力的神经数据压缩方法。

Mar, 2021