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 Octree 结构的多上下文深度学习框架 OctAttention，通过对兄弟和祖先节点信息的聚合来实现对点云分布的无损编码，用于进行点云的压缩和语义分割等处理，在仿真和真实场景验证中都显示出较高的性能和效率。

Feb, 2022

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

提出了一种点云压缩框架，可以同时处理人类视觉和机器视觉任务，并通过使用自适应的八叉树深度级别预测器来控制位速，以提高机器视觉任务的性能，而不影响人类视觉质量。

Jun, 2024

本文提出了一种基于 k-d 树的方法，旨在同时利用点云的局部和全局背景信息，通过沿树结构逐步学习表征向量，从而生成区分度强的点集特征。实验证明，该方法在 3D 场景语义分割等任务上明显优于现有的方法。

Nov, 2017

提出了一种名为 MSVoxelDNN 的实用深度生成方法，用于无损点云几何压缩，并表明它与 MPEG G-PCC 编解码器相比大大降低了比特率。

Apr, 2021

本文提出了一种新型的无损点云压缩算法，采用神经网络来估计体素的编码概率，通过表示为八叉树，以从低分辨率开始，逐层编解码的方式来占据状态，并利用神经网络对占据状态进行建模，具有快速和慢速版本，并在基准数据集上取得了最新成果。

Jun, 2021

VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

Nov, 2017

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