3D Compression Using Neural Fields

神经场（NFs）已成为压缩各种数据模态（例如图像和视频）的工具。本文利用以前的进展，提出了一种新颖的基于NF的3D数据压缩算法。我们推导出两个版本的方法，一个针对基于有符号距离场（SDFs）的无漏洞形状，另一个针对任意非漏洞形状使用无符号距离场（UDFs）。我们证明了我们的方法在3D点云和网格的几何压缩方面表现出色。此外，我们展示了由于NF公式的形式，将我们的压缩算法扩展到压缩3D数据的几何和属性（例如颜色）是很简单的。

论文旨在提出一种基于神经场（NF）的3D数据压缩算法，解决了3D数据压缩的问题。这是一个相对较新的问题。

论文的关键思路是使用神经场（NF）对3D数据进行压缩。这种方法可以应用于点云和网格，而且可以轻松扩展到压缩3D数据的几何和属性。相比当前领域的研究，这种方法具有更好的压缩效果。

论文使用了基于有符号距离场（SDF）的NF算法和基于无符号距离场（UDF）的NF算法来压缩3D数据。实验结果表明，该算法在点云和网格的几何压缩方面表现出色，并且可以轻松扩展到属性压缩。此外，该论文还开源了代码。

最近在这个领域中，还有一些相关的研究，例如：“Octree-Based Point Cloud Compression Using Truncated Signed Distance Fields”、“Learning to Compress Point Clouds Using Occupancy Maps”等。