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

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

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

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

使用质量可伸缩性方案SQH在学习为基础的静态点云几何编码中，逐渐解码带有递增质量和保真度的高质量版本，与其他最新的PC编解码器相比，SQH在保持显著压缩效果的同时，几乎没有或者只有极小的压缩性能损失。

Apr, 2024