@[toc]
Patch-Based Deep Autoencoder for Point Cloud Geometry Compression
https://arxiv.org/abs/2110.09109
这篇论文使用深度自编码器，提出了一种基于分块（patch）的有损点云几何压缩模型。与现有的点云压缩网络(在整个原始点云上应用特征提取和重建)不同，该模型通过采样和KNN操作将输入点云划分为多个小块并独立地压缩处理。最终的完整点云由解压缩后的各个小块组合得到。此外，作者使用分块的局部重建损失训练整个模型，以逼近最优的全局重建性能。使用分块来训练模型有两个优点：
- 首先，由于分块已经是点云的局部区域，因此网络模型不需要使用多个集合抽象层堆栈来捕获局部细节，从而降低了训练模型的复杂性。
- 其次，将点云划分成块增强了训练数据，这可以避免过拟合问题，提高模型预测精度。
在点云压缩任务中，该模型可以保证重建的点云与输入点云的点数相同，有很好的率失真性能（尤其是在低比特率下）。此外，还可以通过调整重建点云的点数将该模型应用于其他点云重建任务，例如点云上采样。
实验结果
Visualization of Training Process
Compression Performance Comparison
Influence of Patch Count on Compression Performance
Application to Point Cloud Upsampling
