无损点云几何压缩的多尺度深度上下文建模
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
提出了VoxelContext-Net两阶段深度学习框架，利用体素和八叉树方法对静态和动态点云进行压缩，使用体素环境压缩八叉树结构数据，通过熵编码来压缩非叶节点符号的深度熵模型。
May, 2021
本研究提出了一种基于多尺度稀疏张量的点云几何压缩方法，称为SparsePCGC，使用Sparse Convolution-based Neural Network和Occupancy Probability Approximation模型计算不同尺度的空间相关性来提高估计空间占用概率的准确性和压缩效率。在各种数据集中，该方法在无损和有损压缩模式下均表现出与标准化的MPEG G-PCC以及流行的基于学习的方案相比的最先进性能，同时具有低复杂度的优势。
Nov, 2021
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
该研究提出了一个异构点云压缩框架，统一了点基、体素基和树基三种典型点云表示及其相关骨干结构，以在不同位深水平对输入点云进行压缩。实验证明了该提议在各种点云上的最新性能。
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
通过引入上下文特征残差和多层感知分支，我们提出了一种改进现有上下文模型的通用结构，在点云几何压缩中提高了性能。我们验证了该方法在MPEG 8i、MVUB物体点云数据集以及LiDAR点云数据集SemanticKITTI上对基于八叉树的模型（OctAttention）和基于体素的模型（VoxelDNN）的性能改进。
Jul, 2024