Point Cloud Compression with Implicit Neural Representations: A Unified Framework

点云由于能够逼真地描绘三维物体和场景，在各种应用中变得越来越重要。然而，有效压缩非结构化、高精度的点云数据仍然是一个重大挑战。本文提出了一个开创性的点云压缩框架，能够处理几何和属性组件。与传统方法和现有的基于学习的方法不同，我们的框架利用两个基于坐标的神经网络来隐式表示体素化的点云。第一个网络生成体素的占用状态，而第二个网络确定占用体素的属性。为了处理体积空间内的大量体素，我们将空间划分为更小的立方体，并仅关注非空立方体内的体素。通过将这些体素的坐标输入到相应的网络中，我们重建了原始点云的几何和属性组件。神经网络参数进一步被量化和压缩。实验结果强调了我们提出的方法与最新的G-PCC标准中采用的八叉树方法相比具有更优越的性能。此外，与现有的基于学习的技术相比，我们的方法表现出高度的通用性。

点云数据的高效压缩是一个重要的问题，本文旨在提出一种新的点云压缩框架以解决这个问题。

本文提出了一种新的点云压缩框架，利用两个基于坐标的神经网络来隐式表示体素化的点云。

该方法在实验中表现出优异的性能，比最新的G-PCC标准的基于八叉树的方法更为优越。同时，该方法在现有的基于学习的技术中表现出高度的通用性。

最近的相关研究包括：《Point Cloud Compression with Neural Networks》、《Learning-based Point Cloud Compression Using Basis Decomposition》等。