- 面向机器感知的点云压缩：通过学习八叉树深度级别预测器的简单而强大的基准线
提出了一种点云压缩框架，可以同时处理人类视觉和机器视觉任务，并通过使用自适应的八叉树深度级别预测器来控制位速，以提高机器视觉任务的性能，而不影响人类视觉质量。
- 高效通用的点云属性无损压缩的点模型
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 - 基于约束最优传输的点云压缩
该论文介绍了一种新颖的点云压缩方法 COT-PCC，通过将任务作为约束最优传输（COT）问题进行建模，COT-PCC 利用压缩特征的比特率作为最优传输（OT）的额外约束，学习原始和重构点之间的分布转换。具体而言，通过生成对抗网络（GAN）和 - 基于分级优先的点云几何压缩的超分辨率
该研究论文提出了一种基于几何的超分辨率方法，用于点云几何压缩，并通过构建内容相关的分层先验实现了粗粒度到细粒度的点云几何超分辨率，以在编码器和解码器之间实现更准确的先验，以减少位数消耗并获得资源占用等方面的性能改进。
- PIVOT-Net: 基于异构点 - 体素树的点云压缩框架
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。
- DiffPMAE: 点云重建的扩散遮蔽自编码器
点云流媒体成为交互式服务交付和未来元宇宙的常态，但庞大的数据量带来了诸多挑战，特别是高带宽消耗和大储存容量。为解决这些问题，我们提出了一种有效的点云重建架构 DiffPMAE，通过自监督学习和扩散模型机制远程重建点云数据，并在点云压缩、上采 - 轻量级点云几何压缩的超分辨率网络
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 - 基于球坐标的学习式点云压缩
近年来，学习的点云压缩任务得到了广泛关注。本文介绍了一种基于球坐标系的学习式点云压缩（SCP）的模型无关方法，以充分利用点云中的圆形和方位角不变性特征，并提出了用于 SCP 的多级八叉树，以减小球坐标系八叉树中远距离区域的重建误差。实验结果 - MMGRASP-Net: 基于几何残留分析与合成的点云压缩
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。
- CVPR深度点云压缩保密度
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 - AAAIOctAttention：面向点云压缩的基于八叉树的大规模上下文模型
本文提出了一种基于 Octree 结构的多上下文深度学习框架 OctAttention，通过对兄弟和祖先节点信息的聚合来实现对点云分布的无损编码，用于进行点云的压缩和语义分割等处理，在仿真和真实场景验证中都显示出较高的性能和效率。
- MM点云几何压缩的基于补丁的深度自编码器
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 - MM用神经网络对点云的八叉树表示进行编码的概率建模
本文提出了一种新型的无损点云压缩算法，采用神经网络来估计体素的编码概率，通过表示为八叉树，以从低分辨率开始，逐层编解码的方式来占据状态，并利用神经网络对占据状态进行建模，具有快速和慢速版本，并在基准数据集上取得了最新成果。
- CVPR基于八叉树的点云压缩框架：VoxelContext-Net
提出了 VoxelContext-Net 两阶段深度学习框架，利用体素和八叉树方法对静态和动态点云进行压缩，使用体素环境压缩八叉树结构数据，通过熵编码来压缩非叶节点符号的深度熵模型。
- 汽车传感器的混合点云语义压缩：性能评估
本文提出了一个管道，用于在汽车场景中高效压缩 LiDAR 观测数据，首先利用 RangeNet++，一个用于语义推断点标签的深度神经网络来减少信道负载，其次是使用 Draco 对选择的点进行压缩，实验证明该方法可以在 LiDAR 的帧率下实 - 学习卷积变换用于有损点云几何压缩
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%，