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

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

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

我们提出了一种新的无损校准的 3D 至 2D 转换方法，使压缩算法能够高效利用二维表示中的空间相关性，通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩，还对 LiDAR 的强度测量值进行密集二维表示，并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比，我们的方法在定量和视觉性能上取得了最佳效果。

Feb, 2024

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

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

在这篇论文中，我们提出了 PoLoPCAC，一种高效且通用的无损点云属性压缩方法，它在高压缩效率和强大的泛化能力方面取得了平衡。我们通过将无损 PCAC 建模为从群组先验中推断属性的显式分布的任务来实现压缩。我们的方法直接在点上操作，可以自然地避免由于体素化而引起的扭曲，并且可以在任意尺度和密度的点云上执行。实验证明，我们的方法在各种数据集上（ShapeNet、ScanNet、MVUB、8iVFB）比最新的 G-PCCv23 具有持续的比特率降低，并且比 G-PCCv23 在大多数序列上具有更短的编码时间和轻量级模型尺寸（2.6MB），这对于实际应用非常有吸引力。

Apr, 2024

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人体几何先验知识的点云压缩框架，通过减少几何冗余以及提供拓扑学约束，实现了对高分辨率的人体点云数据的压缩，该方法在不降低数据质量的情况下，显著提高了压缩性能。

May, 2023