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

本研究提出了一种新型深度点云压缩方法，可以有效保留本地密度信息，采用自动编码器的方式进行降采样和上采样操作，通过密度嵌入、本地位置嵌入和先祖嵌入等方式编码点云局部几何和密度，并在解码时预测每个点的上采样因子和方向尺度，同时也可以压缩点云属性。实验结果表明，该算法在 SemanticKITTI 和 ShapeNet 数据集上实现了最先进的码率失真平衡。

Apr, 2022

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

基于 PointNet 的新型点云编解码器，在机器任务分类中实现了更好的速率 - 准确性平衡，相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备，我们提出了两种轻量级编码器配置，在 BD 比特率降低 93% 和 92% 的同时，仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点，并降低了 3% 和 5% 的 top-1 准确率，为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。

Aug, 2023

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

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

本文提出了一系列改进点云压缩的方法，包括使用尺度先验模型进行熵编码、采用更深的变换、不同的 focal loss 权重、最优解码阈值和连续模型训练，并通过实验验证这些方法可以带来较好的 BD-PSNR 提升。

Jun, 2020

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

本文提出了一种新的深度学习方法，通过去除噪声并保持尖锐特征，自动而又稳健地过滤点云，其点对点的学习架构由编码器和解码器组成，并在视觉质量和数量误差指标方面均优于现有深度学习技术。

Feb, 2020