我们通过一种体积方法研究了三维点云属性的压缩：假设点云几何在编码器和解码器都已知，连续属性函数的参数 θ 被量化为 ḣ θ 并进行编码，以便可以在解码器上以已知的三维点 xᵢ 恢复离散样本 fₕₑₐₜ θ (xᵢ)。具体而言，我们考虑一个嵌套函数子空间序列 F⁽ᵖ⁾ₗ₀ ⊆ ⋯ ⊆ F⁽ᵖ⁾ₗ，其中 F⁽ᵖ⁾ₗ是由 p 阶 B - 样条基函数张成的函数族，fₗˡ⁻ ᵢ * 是 f 在 F⁽ᵖ⁾ₗ 上的投影，并编码为低通系数 Fˡ⁻ ᵢ *，gₗˡ⁻ ᵢ * 是正交子空间 G⁽ᵖ⁾ₗ 上的残差函数（其中 G⁽ᵖ⁾ₗ ⊕ F⁽ᵖ⁾ₗ = F⁽ᵖ⁾ₗ₊₁），并编码为高通系数 Gˡ⁻ ᵢ *。本文中，为了在 p=1 情况（RAHT (1)）上提高编码性能，我们研究了在 l 水平上用 l+1 水平的 fˡ⁺ ᵢ * 预测 fₗˡ⁻ ᵢ * 以及 Gˡ⁻ ᵢ * 的编码。在预测方面，我们在 MPEG-PCC 中理论框架下形式化了 RAHT (1) 的线性预测，并提出了一个使用双边滤波器多项式的非线性预测器。我们推导了计算可编码的临界采样高通系数 Gˡ⁻ ᵢ * 的方程。通过最小化速率失真拉格朗日量在大型点云训练集上优化我们的前馈网络的参数。实验结果表明，我们改进的框架比 MPEG G-PCC 预测器在比特率降低方面提高了 11% 到 12%。

Nov, 2023

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

本文提出了一种用于三维动态点云属性的完整压缩框架，主要关注于优化交叉编码。通过使用先前提出的内部编码和离线训练的 λ-Q 模型，我们从速率失真优化中确定最佳编码模式。实验结果表明，与竞争性的动态点云压缩方法相比，平均比特率降低了约 17％。

Aug, 2019

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

通过神经网络将几何结构编码到权重和偏置中，通过映射网络重构对象，可在 7000 参数的情况下达到与百万参数状态下的最新型物体解码器架构同等甚至更高的精度。

Jul, 2019

本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

Nov, 2019

本文提出了一种使用隐式神经表示法来压缩三维标量场的方法，通过将标量场表示为学习到的函数，通过设置神经网络的权重数小于输入大小，压缩表示方法成为函数逼近，结合网络权重的精细量化，实现了高度紧凑表示，胜过了现有的体积压缩方法，并对网络设计选择对压缩性能的影响进行了研究。

Apr, 2021

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

我们提出了一种利用坐标网络和多分辨率哈希编码对体积数据进行压缩和表示的高效方法，通过学习空间坐标和强度值之间的映射，实现有效的压缩，比较了不同编码方案，并展示了多分辨率哈希编码在压缩质量和训练效率方面的优越性，同时借助优化型元学习，特别是使用 Reptile 算法，学习适用于体积数据的神经表示的权重初始化，从而在优化过程中实现更快的收敛，此外，我们与最先进的方法进行比较，展示了改进的图像质量和压缩比，这些发现突显了利用基于坐标的网络和多分辨率哈希编码进行高效准确的体积数据表示的潜力，为大规模数据可视化和其他应用的进展铺平了道路。

Jan, 2024