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

本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于3D点云分类，同时在ISPRS 3D标注基准上实现了新的最优性能。

Oct, 2019

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

本研究提出了一种基于深度学习的点云自适应采样和恢复方法称为点云局部可逆嵌入（PointLIE），实现了点云采样和重建的统一框架，通过双向学习，提高了采样点的恢复质量，并在定量和定性方面均优于现有的技术。

Apr, 2021

本文提出了一种基于块的压缩算法，使用深度学习对点云的几何信息进行有损压缩，并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩，使用局部重构误差作为优化标准，保证压缩后的点数与原始数据相等。同时，该算法的网络模型还可方便地应用于同类问题，例如点云上采样。

Oct, 2021

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

本研究解决了不规则点云压缩中邻域关系表征的困难，提出了一种基于KNN的方法来适应局部几何特征，并结合双层架构减少编码复杂度和延迟。研究结果表明，该方法相比最先进的技术在压缩效率和细节保留上有显著提升，同时具备任意尺度的上采样能力。

Aug, 2024