Learning-based lossless compression of 3D point cloud geometry
CNRS（法国国家科学研究中心）
提出了一种基于上下文自适应算术编码的静态点云几何数据的学习无损压缩方法。与大多数现有的方法在八叉树域工作，我们的编码器在混合模式下工作，混合八叉树和基于体素的编码。根据点云的结构自适应地将点云划分为多分辨率的体素块，并使用八叉树来表示划分。一方面，八叉树表示可以消除点云数据的稀疏性。另一方面，在体素域中，卷积可以被自然地表达，并且几何信息（即，平面、曲面等）是由神经网络明确处理的。我们的上下文模型受益于这些属性，并使用具有掩码过滤器的深度卷积神经网络（称为VoxelDNN）学习体素的概率分布。实验表明，我们的方法优于国家的最先进的MPEG G-PCC标准，平均节省28%的点云从微软体素化上半身（MVUB）和MPEG的不同集合。该实现可在https://github.com/Weafre/VoxelDNN上获得。
2021-04-20 cs.CV cs.LG eess.IV
Point Cloud Compression with Sibling Context and Surface Priors
The Hong Kong University of Science and Technology（香港科技大学）
提出了一种基于八叉树的大规模点云多级压缩框架，该框架可以高效地组织稀疏和非结构化的点云。在这个框架中，我们提出了一个新的熵模型，探讨了层次依赖的八叉树使用的兄弟姐妹的孩子，祖先和邻居的上下文编码到一个比特流的占用信息的每个非叶八叉树节点。此外，我们局部拟合二次曲面与基于体素的几何感知模块提供熵编码的几何先验。这些强先验使我们的熵框架能够将八叉树编码成更紧凑的比特流。在解码阶段，我们采用两步启发式策略来恢复点云，具有更好的重建质量。定量评估表明，我们的方法优于最先进的基线，在KITTI Odometry和nuScenes数据集上的比特率分别提高了11-16%和12-14%。
2022-05-02 cs.CV
Point Cloud Attribute Compression via Successive Subspace Graph Transform
Peng Cheng Lab（鹏程实验室）；Peking University, Shenzhen Graduate School（北京大学深圳研究生院）；University of Southern California（南加州大学）
受最近提出的连续子空间学习（SSL）原则的启发，我们开发了一种连续子空间图变换（SSGT）来解决点云属性压缩问题。利用八叉树几何结构对点云进行划分，八叉树的每个节点代表一个具有一定空间大小的点云子空间。我们设计了一个带自环的加权图来描述子空间，并定义了一个基于归一化图拉普拉斯算子的图傅里叶变换。该方法从八叉树的叶结点到根结点递归地对大的点云进行变换，而所表示的子空间从最小的子空间依次扩展到整个点云。实验结果表明，该方法比区域自适应Haar变换（RAHT）方法具有更好的R-D性能。
2020-10-29 cs.CV eess.IV eess.SP
Multiscale Latent-Guided Entropy Model for LiDAR Point Cloud Compression
LiDAR点云的非均匀分布和极稀疏性给其高效压缩带来了巨大挑战。本文提出了一种新的端到端的全因子分解深度框架，该框架将原始LPC编码为八叉树结构，并分层分解八叉树熵模型。该框架利用层次化的隐变量作为边信息来封装兄弟节点和祖先节点的依赖关系，为点云分布建模提供了足够的上下文信息，同时实现了同一层八叉树节点的并行编码和解码。此外，我们提出了一个残差编码框架的压缩的潜变量，探索的空间相关性的每一层的渐进下采样，并与一个完全分解的熵模型建模相应的残差。此外，我们提出了软加法和减法残差编码，以提高网络的灵活性。在LiDAR基准SemanticKITTI和MPEG指定数据集Ford上的综合实验结果表明，我们提出的框架在所有以前的LPC框架中达到了最先进的性能。此外，我们的端到端，全因子分解的框架被实验证明是高并行化和时间效率和节省超过99.8%的解码时间相比，以前的国家的最先进的LPC压缩方法。
2023-02-14 cs.CV eess.IV
Lossless Compression of Point Cloud Sequences Using Sequence Optimized CNN Models
我们提出了一个新的范例编码的几何点云序列，其中的卷积神经网络（CNN），估计编码分布的优化序列的几个帧进行压缩。我们采用轻量级的CNN结构，我们将训练作为编码过程的一部分进行，并且CNN参数作为比特流的一部分进行传输。新提出的编码方案对每个点云的八叉树表示进行操作，连续编码每个八叉树分辨率层。在每个八叉树分辨率层，体素网格被逐段遍历（每个部分垂直于选定的坐标轴），并且在每个部分中，二乘二体素组的占用率在单个算术编码操作中被立即编码。基于关于八叉树的当前和较低分辨率层中的相邻体素的占用的可用信息，为每个二乘二组体素定义条件编码分布的上下文。CNN在四个阶段中估计来自一个部分的所有体素组的占用模式的概率分布。在每个新的阶段中，上下文与在前一阶段中编码的occupancy一起更新，并且每个阶段并行地估计概率，从而在处理的并行性和上下文的信息量之间提供合理的权衡。CNN的训练时间与其余编码步骤所花费的时间相当，从而导致具有竞争力的整体编码时间。比特率和编码-解码时间与最近发布的压缩方案相比毫不逊色。
2022-06-02 cs.CV eess.IV
TeSO: Representing and Compressing 3D Point Cloud Scenes with Textured Surfel Octree
Dept. Electrical and Computer Engineering, Tandon School of Engineering, New York University（电气与计算机工程系，工程学院，纽约大学）
提出Textured Surfel Octree（TeSO）新型3D表示，通过八叉树组织带纹理面元减少基元数量并保留高频细节，配合专用压缩方案，在更低比特率下实现优于点云和3D Gaussians基线的渲染质量。
2025-08-09 cs.CV
Neural Network Modeling of Probabilities for Coding the Octree Representation of Point Clouds
Tampere University（坦佩雷大学）
本文描述了一种新的无损点云压缩算法，该算法使用神经网络来估计体素占用状态的编码概率，这取决于要编码的体素周围的宽三维上下文。点云表示为八叉树，每个分辨率层使用算术编码顺序编码和解码，从最低分辨率开始，直到达到最终分辨率。八叉树的每个节点处的分裂图案的每个体素的占用概率由神经网络建模，该神经网络在其输入处具有若干八叉树节点（属于过去和当前分辨率）的已经编码的占用状态，对应于围绕要编码的节点的3D上下文。该算法具有快速和慢速版本，快速版本不同地选择上下文的若干体素，这允许通过在编码器和解码器处发送更大批次的待由神经网络估计的模板来增加并行化。所提出的算法在基准数据集上产生了最先进的结果。该实现将在https://github.com/marmus12/nnctx上提供
2021-10-11 cs.CV eess.IV
SCP: Spherical-Coordinate-based Learned Point Cloud Compression
KDDI Research, Inc.（KDDI研究所）；Waseda University（早稻田大学）；Yokohama National University（横滨国立大学）
提出基于球坐标的模型无关点云压缩方法SCP，利用旋转激光雷达点云的圆形和方位角不变特征，并引入多级八叉树降低远处重建误差，在点对点PSNR BD-Rate上最高超越SOTA 29.14%。
2024-02-08 cs.CV eess.IV
RocNet: Recursive Octree Network for Efficient 3D Deep Representation
University of Otago（奥塔哥大学）
我们介绍了一种深度递归八叉树网络的三维体素数据的压缩。我们的网络将任何大小的体素网格压缩到类似自动编码器的网络中的一个非常小的潜在空间。我们展示了将32，64和128个网格压缩到潜在空间中的80个浮点数的结果。我们证明了我们提出的方法的有效性和效率在几个公开的数据集与三个实验：三维形状分类，三维形状重建，形状生成。实验结果表明，我们的算法保持准确性，同时消耗更少的内存和更短的训练时间相比，现有的方法，特别是在3D重建任务。
2020-08-10 cs.CV cs.GR cs.LG
PVContext: Hybrid Context Model for Point Cloud Compression
Harbin Institute of Technology（哈尔滨工业大学）
本文提出PVContext混合上下文模型，结合体素与点上下文，用于八叉基点云压缩，在多个数据集上显著降低比特率。
2024-09-19 cs.CV eess.IV
A Hierarchical Compression Technique for 3D Gaussian Splatting Compression
Shanghai Jiao Tong University（上海交通大学）；University of Missouri-Kansas City（密苏里大学堪萨斯城分校）
针对3D Gaussian Splatting数据本身压缩不足的问题，提出HGSC，通过重要性剪枝、Octree、KD-tree分块及LoD锚点预测实现显著压缩。
2025-03-16 cs.CV cs.MM
IPDAE: Improved Patch-Based Deep Autoencoder for Lossy Point Cloud Geometry Compression
点云数据是三维内容的重要表示形式，在虚拟现实、混合现实、自动驾驶等领域有着广泛的应用。随着点云数据中数据点数量的增加，如何有效地压缩点云数据成为一个具有挑战性的问题。在本文中，我们提出了一套显着的改进，以补丁为基础的点云压缩，即，用于熵编码的可学习上下文模型、用于采样质心点的八叉树编码以及集成的压缩和训练过程。此外，我们还提出了一个对抗网络来提高重建过程中点的均匀性。我们的实验表明，改进的基于补丁的自动编码器优于国家的最先进的率失真性能方面，稀疏和大规模的点云。更重要的是，我们的方法可以保持较短的压缩时间，同时保证重建质量。
2022-08-04 cs.CV cs.IT cs.MM
SurfelSoup: Learned Point Cloud Geometry Compression With a Probablistic SurfelTree Representation
Department of Electrical and Computer Engineering, New York University Tandon School of Engineering, Brooklyn, NY, USA（电气工程系，纽约大学塔能工程学院，布鲁克林，纽约，美国）
SurfelSoup通过概率Surfel树结构实现点云几何压缩，提升压缩效率与表面重建质量。
2026-01-30 cs.CV eess.IV
HiCo-GS: Hierarchical Context Aggregation and Geometric Consistency for Octree Gaussian Splatting
Northwestern Polytechnical University（西北工业大学）
HiCo-GS是结合跨层级上下文聚合与深度-法向量几何一致性正则化的高保真重建框架，在多城市数据集上实现了最优渲染质量与清晰几何。
2026-08-17 cs.AI cs.CV
OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression
Uber Advanced Technologies Group（优步先进技术集团）；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
我们提出了一种新的深度压缩算法，以减少激光雷达点云的内存占用。我们的方法利用点之间的稀疏性和结构冗余来降低比特率。为了实现这一目标，我们首先将LiDAR点编码为八叉树，这是一种适用于稀疏点云的数据高效结构。然后，我们设计了一个树结构的条件熵模型，模型的八叉树符号的概率编码成一个紧凑的比特流的八叉树。我们验证了我们的方法在两个大规模数据集的有效性。结果表明，我们的方法减少了10-20%的比特率在相同的重建质量，与以前的国家的最先进的。重要的是，我们还表明，对于相同的比特率，我们的方法优于其他压缩算法时，使用压缩表示执行下游3D分割和检测任务。我们的算法可用于减少自动驾驶汽车等应用的LiDAR点的车载和车外存储，其中一辆汽车每天捕获840亿个点
2021-01-08 cs.CV eess.IV
Efficient LiDAR Point Cloud Geometry Compression Through Neighborhood Point Attention
Nanjing University（南京大学）
尽管多尺度稀疏张量的卷积表示在精确建模密集对象点云几何分量压缩的占用概率方面表现出了卓越的效率，但其表示稀疏LiDAR点云几何（PCG）的能力在很大程度上受到限制。这是因为：1）卷积的固定感受野不能很好地表征极端和不均匀分布的稀疏LiDAR点; 2）具有固定权重的预训练卷积不足以动态捕获以输入为条件的信息。因此，这项工作提出了邻域点注意（NPA）来解决这些问题，我们首先使用k个最近的邻居（kNN）来构建自适应的局部邻域，然后利用自注意力机制来动态地聚合该邻域内的信息。这种NPA被设计为NPAFormer，以最好地利用跨尺度和同尺度相关性进行几何占用概率估计。与使用标准化G-PCC的锚点相比，我们的方法在有损压缩下提供了>17%的BD速率增益，并且在SemanticKITTI和Ford数据集中使用流行的LiDAR点云的无损场景下提供了>14%的比特率降低。与使用注意力优化八叉树编码方法的最新（SOTA）解决方案相比，我们的方法需要更少的解码运行时间，平均约640倍的加速比，同时仍然呈现出更好的压缩效率。
2022-08-26 cs.CV eess.IV
Enhancing context models for point cloud geometry compression with context feature residuals and multi-loss
针对点云几何压缩中上下文模型的上下文差异不显著、交叉熵损失不准确的问题，提出引入上下文特征残差与多层感知机多损失的通用增强结构，在多个点云数据集上提升了两类现有模型的压缩性能。
2024-07-11 cs.CV cs.MM eess.IV
Multiscale Point Cloud Geometry Compression
Nanjing University（南京大学）；Hangzhou Normal University（杭州师范大学）；University of Missouri（密苏里大学）
近年来，基于点云的应用程序的增长，因为它的现实和细粒度的表示三维物体和场景。然而，压缩稀疏、非结构化和高精度的3D点以实现高效通信是一个具有挑战性的问题。在本文中，利用点云的稀疏性，我们提出了一个多尺度的端到端的学习框架，通过渐进重采样分层重建三维点云几何（PCG）。该框架是在一个基于稀疏卷积的自动编码器上开发的，用于点云压缩和重建。对于只有二进制占用属性的输入PCG，我们的框架将其转换为一个缩小的点云在瓶颈层，拥有几何和相关的功能属性。与MPEG标准的基于视频的点云压缩（V-PCC）和基于几何的点云压缩（G-PCC）方法相比，该方法的BD率分别达到40%和70%以上（Bjontegaard Delta Rate）降低。它的编码运行时间与G-PCC相当，仅为V-PCC的1.5%。
2020-11-07 cs.CV eess.IV
Inter-Frame Compression for Dynamic Point Cloud Geometry Coding
Qualcomm Technologies Inc.（高通技术公司）；University of Missouri-Kansas City（密苏里大学堪萨斯分校）
本文提出一种基于深度学习的动态点云几何压缩帧间编码方案，利用特征空间帧间预测网络和运动补偿预测当前帧特征，在MPEG标准方案对比中取得显著BD-Rate节省。
2024-09-02 cs.CV cs.MM eess.IV
Learning Neural Volumetric Field for Point Cloud Geometry Compression
New York University（纽约大学）
由于动态点云数据的稀疏性、高维性和时间变化性，设计一种有效的点云压缩方法是一个挑战。我们建议通过学习神经体积场来编码给定点云的几何形状。我们不是使用单个过拟合网络来表示整个点云，而是将整个空间划分为小立方体，并通过神经网络和输入潜在代码来表示每个非空立方体。网络在单个帧或多个帧中的所有立方体之间共享，以利用空间和时间冗余。点云的神经场表示包括网络参数和所有的潜在代码，这些代码是通过使用网络参数及其输入的反向传播生成的。通过考虑网络参数和潜在码的熵以及损失函数中原始立方体和重建立方体之间的失真，我们得到了一个率失真（R-D）最优表示。实验结果表明，所提出的编码方案实现了优越的R-D性能相比，基于八叉树的G-PCC，特别是当应用于多帧的点云视频。该代码可在https://github.com/huzi96/NVFPCC/上获得。
2022-12-11 cs.CV eess.IV
Learning Convolutional Transforms for Lossy Point Cloud Geometry Compression
CNRS（法国国家科学研究中心）
高效的点云压缩是实现虚拟和混合现实应用部署的基础，因为要编码的点的数量可以达到数百万。在本文中，我们提出了一种新的数据驱动的几何压缩方法的基础上学习卷积变换和均匀量化的静态点云。我们使用一个权衡参数进行率和失真的联合优化。此外，我们将解码过程转换为点云占用图的二进制分类。我们的方法在Microsoft Voxelized Upper Bodies数据集上的率失真方面优于MPEG参考解决方案，平均节省51.5%的BDBR。此外，虽然基于八叉树的方法在低比特率下面临点数的指数减少，但即使在低比特率下，我们的方法仍然产生高分辨率输出。代码和补充材料可在https://github.com/mauriceqch/pcc_geo_cnn上获得。
2019-05-22 cs.CV cs.LG eess.IV
TopoGS: Topology-Aware Anchor Feature Aggregation for Large-Scale 3D Gaussian Splatting
Northwestern Polytechnical University（西北工业大学）；Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；French National Institute of Geographic and Forest Information (IGN)（法国国家地理与森林信息研究所）
针对八叉树3D高斯泼溅中跨层特征聚合的不对称问题，提出拓扑感知锚点特征聚合框架TopoGS，通过层次锚点耦合与结构感知包含聚合，在多个数据集上实现PSNR提升且更高效。
2026-09-24 cs.AI cs.CV
RENO: Real-Time Neural Compression for 3D LiDAR Point Clouds
Nanjing University（南京大学）；Hangzhou Normal University（杭州师范大学）；University of California Riverside（加州大学河滨分校）
本文提出首个3D LiDAR点云实时神经编解码器RENO，基于多尺度稀疏张量与稀疏占用码实现一次性占用推理，在RTX 3090上以1MB模型达到10 fps并显著降低码率。
2025-03-16 cs.CV eess.IV
Improved Deep Point Cloud Geometry Compression
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）
点云已被公认为3D内容的关键数据结构，在虚拟和混合现实、自动驾驶、文化遗产等许多应用中至关重要。在本文中，我们提出了一系列改进深度点云压缩的贡献，即：使用尺度超先验模型进行熵编码;采用更深的变换;焦点损失中的不同平衡权重;用于解码的最佳阈值;以及顺序模型训练。此外，我们还对这些因素的影响进行了广泛的消融研究，以便更好地了解它们为什么能改善RD性能。当使用点到点（点到平面）度量时，所提出的改进的最佳组合分别在G-PCC三树和八叉树上实现了5.50（6.48）dB和6.84（5.95）dB的BD-PSNR增益。代码可在https://github.com/mauriceqch/pcc_geo_cnn_v2上获得。
2020-06-24 cs.CV cs.LG eess.IV
Smol-GS: Compact Representations for Abstract 3D Gaussian Splatting
ELLIS Institute Finland（芬兰ELLIS研究所）；Aalto University（阿alto大学）
提出Smol-GS方法，通过八叉树位置编码和熵压缩学习高效溅射特征，实现3D高斯溅射的紧凑表示，在保持渲染质量的同时大幅降低存储。
2026-06-19 cs.CV
PACE: Post-Causal Entropy Modeling for Learned LiDAR Point Cloud Compression
School of Information Science and Technology, Hangzhou Normal University, Hangzhou, China.（信息科学与技术学院，杭州师范大学，杭州，中国）；School of Electronic Science and Engineering, Nanjing University, Nanjing, China（电子科学与工程学院，南京大学，南京，中国）
PACE通过非因果骨干网络和轻量级预测器提升LiDAR点云压缩效率，实现90%以上的解码延迟降低和BD-BR节省。
2026-06-06 cs.CV
MesonGS++: Post-training Compression of 3D Gaussian Splatting with Hyperparameter Searching
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；The Hong Kong University of Science and Technology（香港科技大学）；Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong（香港中文大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Shenzhen Technology University（深圳技术大学）；Xiamen University（厦门大学）；Simon Fraser University（西蒙弗雷泽大学）；Jiangxing Intelligence Inc.（江兴智能有限公司）
MesonGS++提出了一种基于超参数搜索的3D高斯散射后训练压缩方法，通过联合重要性剪枝、八叉树几何编码等技术，实现34倍压缩并保持渲染质量，优于现有方法并精准满足目标存储预算。
2026-05-07 cs.CV cs.GR cs.MM
Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds
Sun Yat-sen University（中山大学）；Pengcheng Laboratory（鹏城实验室）
针对LiDAR点云几何稀疏导致神经压缩上下文建模低效的问题，提出几何再致密化与跨尺度特征传播模块，生成紧凑特征并在KITTI上实现SOTA压缩率与26 FPS实时编解码。
2025-09-29 cs.CV
Learning to Predict on Octree for Scalable Point Cloud Geometry Coding
基于八叉树的点云表示和压缩已被MPEG G-PCC标准所采用。然而，它只使用手工方法来预测叶子节点非空的概率，然后将其用于熵编码。我们提出了一种新的方法来预测这种概率的几何编码，它适用于一个“嘈杂”的上下文立方体，包括相邻的解码体素以及未编码的体素的去噪神经网络。我们进一步提出了一个基于卷积的模型，在解码器端以粗略的分辨率对解码点云进行上采样。与原始G-PCC标准和其他用于密集点云的基线方法相比，这两种方法的集成显著提高了几何编码的率失真性能。所提出的基于八叉树的熵编码方法是自然可扩展的，这对于点云流传输系统中的动态速率自适应是期望的。
2022-09-06 cs.MM eess.IV
Point Cloud Compression with Implicit Neural Representations: A Unified Framework
Zhejiang University（浙江大学）；University of Macau（澳门大学）；Nanyang Technological University（南洋理工大学）
提出统一点云压缩框架，用两个基于坐标的神经网络隐式表示体素化点云的几何与属性，并通过空间划分、参数量化压缩实现优于 G-PCC 八叉树方法且更通用的效果。
2024-05-19 cs.CV cs.IT eess.SP
Implicit Neural Compression of Point Clouds
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）；Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
本文提出NeRC³框架，利用隐式神经表示实现点云的高效压缩，通过坐标基神经网络编码几何与属性，并扩展至动态点云压缩，实验验证其在静态和动态点云压缩中的优越性能。
2025-10-21 cs.CV cs.LG eess.SP
SPAC: Sampling-based Progressive Attribute Compression for Dense Point Clouds
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；School of Engineering and Sustainable Development, De Montfort University（德蒙福特大学工程与可持续发展学院）；School of Data Science, Lingnan University（岭南大学数据科学学院）
本研究提出一种基于采样的稠密点云渐进式属性压缩方法SPAC，通过频率采样、几何辅助特征提取和全局超先验熵模型实现端到端压缩，在MPEG标准测试集上性能首次超越G-PCC标准。
2024-09-16 cs.CV eess.IV
Rate-Distortion Optimized Skip Coding of Region Adaptive Hierarchical Transform Coefficients for MPEG G-PCC
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；School of Telecommunications Engineering, Xidian University（西安电子科技大学通信工程学院）
针对MPEG G-PCC中RAHT最后几层零残差导致码率浪费的问题，提出自适应跳过编码及配套自适应拉格朗日乘子率失真代价计算方法，在动态点云多分量上实现显著码率节省。
2024-12-07 cs.CV
LINR-PCGC: Lossless Implicit Neural Representations for Point Cloud Geometry Compression
Shanghai Jiao Tong University（上海交通大学）；University of Missouri-Kansas City（密苏里大学-凯斯城分校）
本文提出首个基于隐式神经表示的无损点云几何压缩方法LINR-PCGC，通过组级编码框架、初始化策略和轻量级多尺度SparseConv网络加速编码并缩小解码器，在MVUB上比特流较G-PCC和SparsePCGC分别降低约21.21%和21.95%。
2025-07-21 cs.AI cs.CV
Lossless Coding of Point Cloud Geometry using a Deep Generative Model
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupelec（巴黎中央理工-高等电力学院）
提出了一种利用神经网络估计体素占用概率分布的无损点云几何压缩方法。首先，考虑到PC稀疏性，我们的方法自适应地将点云划分为多个体素块大小。这种划分是通过八叉树来表示的。其次，我们采用深度自回归生成模型来估计给定先前编码的每个体素的占用概率。然后，我们采用估计的概率有效地使用基于上下文的算术编码器的块进行编码。我们的上下文大小可变，可以扩展到当前块之外，以学习更准确的概率。我们还考虑使用数据增强技术来提高学习概率模型的泛化能力，特别是在存在噪声和低密度点云的情况下。实验评估，从四个不同的数据集和不同的特性进行的各种点云，表明我们的方法大大降低（高达30%）的速率相比，最先进的MPEG编解码器的无损编码。
2021-07-01 cs.CV cs.LG eess.IV
Hierarchical Prior-based Super Resolution for Point Cloud Geometry Compression
Peng Cheng Laboratory（鹏城实验室）；City University of Hong Kong（香港城市大学）；Peking University Shenzhen Graduate School（北京大学深圳研究生院）
针对G-PCC有损模式下几何量化导致的失真问题，提出一种基于分层先验的点云几何超分辨率方法，在解码端实现由粗到细的重建，在MPEG Cat1A数据集上显著节省比特率并超越G-PCC v14。
2024-02-17 cs.CV cs.MM eess.IV
MuSCLE: Multi Sweep Compression of LiDAR using Deep Entropy Models
Uber Advanced Technologies Group（优步先进技术集团）；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
我们提出了一种新的压缩算法，以减少存储的激光雷达传感器数据流。我们的模型利用多个LiDAR扫描的时空关系来降低几何和强度值的比特率。为了实现这一目标，我们提出了一种新的条件熵模型，该模型通过同时考虑粗级几何和先前扫描的几何和强度信息来模拟八叉树符号的概率。然后，我们使用学习的概率将完整的数据流编码为紧凑的数据流。我们的实验表明，我们的方法与现有的最先进的LiDAR压缩方法相比，显着降低了联合几何和强度比特率，在UrbanCity和SemanticKITTI数据集上分别降低了7-17%和15-35%。
2021-01-08 cs.CV cs.IT eess.IV
Region-Adaptive Learned Hierarchical Encoding for 3D Gaussian Splatting Data
提出区域自适应学习型分层编码（RALHE），利用八叉树分层表示和自回归熵模型压缩3DGS数据，在低比特率下实现高达2dB渲染增益。
2025-10-26 cs.MM eess.IV
Cylindrical coordinates for LiDAR point cloud compression
我们提出了一种有效的体素化方法来编码的几何形状和属性的三维点云从自动驾驶汽车。由于传感器的圆形扫描轨迹，LiDAR点云的几何形状与RGBD相机捕获的点云的几何形状本质上不同。我们的方法利用这些特定的属性来表示圆柱坐标中的点，而不是传统的笛卡尔坐标。我们证明thatRegion自适应分层变换（RAHT）可以扩展到这个设置，导致属性编码的基础上的体积分区在圆柱坐标系。实验结果表明，我们提出的体素化优于传统的方法，基于笛卡尔坐标的这种类型的数据。我们观察到属性编码性能的显着改善，比特率减少了5- 10%，八叉树表示减少了35-45%。
2021-06-21 eess.IV
3D Point Cloud Compression with Recurrent Neural Network and Image Compression Methods
Institute for Automotive Engineering (ika), RWTH Aachen University（亚琛工业大学汽车工程研究所（ika））
提出一种无损且校准的3D到2D转换方法，结合图像压缩和循环神经网络自监督深度压缩，有效压缩LiDAR点云数据，在定量和视觉性能上优于八叉树和原始数据压缩方法。
2024-02-18 cs.AI cs.CV eess.IV
Learning-based Lossless Point Cloud Geometry Coding using Sparse Tensors
大多数点云压缩方法在体素或八叉树域中操作，这不是点云的原始表示。这些表示要么去除几何信息，要么需要高计算能力进行处理。在本文中，我们提出了一个基于上下文的无损点云几何压缩，直接处理的点表示。对点表示进行操作使我们能够保持点之间的几何相关性，从而获得准确的上下文模型，同时显着降低计算成本。具体来说，我们的方法使用稀疏卷积神经网络来从x，y，z输入数据中依次估计体素占用率。实验结果表明，我们的方法优于国家的最先进的几何压缩标准，从MPEG的平均速率节省52%的不同的点云集从四个不同的数据集。
2022-06-22 eess.IV
Hint: hierarchical inter-frame correlation for one-shot point cloud sequence compression
Aarhus University（奥胡斯大学）
HINT通过整合时间和空间相关性，实现了点云序列压缩的高效编码与解码，显著提升了压缩速度和比特率效率。
2026-01-27 eess.IV
gpcgc: a green point cloud geometry coding method
提出了一种低复杂度的点云压缩方法--绿色点云几何编码器（GPCGC），以有效地对静态点云的三维空间坐标进行编码。GPCGC由两个模块组成。在第一模块中，输入点云的点坐标被分层组织成八叉树结构。每个叶节点处的点沿着三个轴中的一个轴投影以产生图像映射。在第二模块中，占用图被聚类为9种模式，而深度图由低复杂度高效率的图像编解码器（称为绿色图像编解码器（GIC））编码。GIC是一种基于矢量量化（VQ）的多分辨率编解码器。它的复杂度明显低于HEVC-Intra。此外，率失真优化（RDO）技术被用来选择最佳的编码参数。GPCGC是一种渐进式编解码器，它提供了与MPEG的V-PCC和G-PCC标准竞争的编码性能，并且复杂度显著降低。
2023-02-13 eess.IV
Quality Analysis of the Coding Bitrate Tradeoff Between Geometry and Attributes for Colored Point Clouds
本文用G-PCC与JPEG Pleno VM测试五种点云在五种属性/几何码率分配下的编码质量，发现提高属性码率通常略优。
2024-10-28 eess.IV
