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

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

本文介绍一种基于深度卷积解码器的体积 3D 输出生成体系结构，该体系结构采用八叉树表示方式，在使用有限内存的同时提升生成分辨率，适用于多种应用领域，包括 3D 自编码器、基于单张图片的 3D 形状生成等。

Mar, 2017

本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

Dec, 2018

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

通过使用 MLPs 对局部特征进行编码，以点云来恢复 3D 重建的模型，通过引导去噪的相对位置编码，从点云中汇集附近的特征，预测空间中的任意查询点的占用概率，并夺得了卷积方法的最新成果，并且只使用了一半的模型参数。

Nov, 2023

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