一、文献综述
（一）国内外研究现状
点云是一种基本的三维表示，在计算机图形学中的应用已久，是最常用的三维模型。随着3D采集技术的飞速发展，点云模型在虚拟现实、增强现实、智慧城市和无人驾驶等领域起到了重要作用[1]。因为对海量的点云数据做处理需要大量的资源，为了降低数据存储的空间和数据传输带宽的需求，需要点云压缩技术做支持。近年来，点云压缩技术越来越成为支撑点云广泛应用的关键技术之一[2]。
目前ISO/IEC的MPEG(Moving Picture Experts Group)正在开展点云压缩标准化工作。定义了3种点云类型：静态点云、动态点云和动态获取点云。除此之外，他们还将点云压缩分为两种模式：基于视频编码的V-PCC(Video-based Point Cloud Compression)和基于几何体的G-PCC(Geometry-based Point Cloud Compression)[17]。V-PCC是将点云数据从3D转换为2D，再利用成熟的图像或视频压缩技术进行压缩。但这类基于映射的压缩方法并不适用于稀疏点云。G-PCC将点云的几何信息与属性信息独立出来，优先对几何数据进行编码。
在常见的点云压缩的算法中，八叉树(Octree)通常被用于点云的几何数据编码，是处理三维点云数据的重要数据结构。由于传统压缩方法的局限性以及深度学习在二维图像上广泛应用。近年来，深度学习不断被运用在三维模型的压缩中，借助神经网络学习点云的属性以及坐标的关联性[4]。3DCNN是压缩三维数据的先驱，最初应用在体素网格和深度图中，由于3D卷积计算量过大，能处理的数据较少。因此PointNet诞生了，作为研究点云深度学习的先驱，提供了对象分割、场景语义等应用，该网络不仅结构简单而且非常高效[6]。它直接将点云作为输入，通过计算法线和全局特征添加信息。但因为PointNet简单的将点云化为了一个全局特征值，网络没有学习到局部点之间的联系，导致了PointNet识别复杂场景的能力受到极大限制.基于分层抽取特征的思想，PointNet 诞生了[7]。该网络已在点云压缩中得到了广泛应用。
点云几何信息的编码方法主要可以分成3类：基于树结构的方法、基于表面近似的方法和基于映射的方法；点云属性信息压缩的编码方法主要可以分成3类：基于变换的方法、基于预测的方法和基于映射的方法[2]。针对点云特性，采用合适的编码方法，是提升点云压缩性能的关键。正是因为点云数据的多样性，很少有一种压缩手段在所有特性的点云数据中都有较高的性能。不论是传统的压缩方法还是基于深度学习的压缩技术，实现高效的点云压缩算法，为点云的广泛应用做技术支撑，是现阶段国内外的研究热点。
（二）研究主要成果
根据点云中的密度，可以将点云大致分为稠密点云和稀疏点云[2]，V-PCC能够较好压缩稠密点云，G-PCC则能够较好的压缩稀疏点云。MEPG的标准点云压缩方法(G-PCC)与Google的基于kd树的方法(“Draco”)是现阶段最具有代表性的手工点云压缩方法，新的点云压缩算法通常将它们作为基线算法。
VoxelDNN[15]提出了一种基于八叉树/体素混合的点云几何无损压缩方法。它首次在体素空间中使用深度生成模型来顺序估计占用概率。结合速率优化的分区策略，该方法优于MPEG的G-PCC，在所有测试数据集上平均节省28%的速率。
MSVoxelDNN[10]提出的多尺度VoxelDNN方法来无损编码密集点云的几何形状，可以说是VoxelDNN的升级版本与G-PCC相比，MSVoxelDNN的比特率平均降低了17%。除此之外MSVoxelDNN的性能可以通过优化体素的分组来进一步提高，这样可以只删除那些对条件占用概率估计没有显着贡献的依赖项。MSVoxelDNN首次在体素域中引入多尺度深度上下文模型来估计占用率能力，其中更高分辨率的尺度以较低分辨率的尺度为条件进行建模。但是该方案在稀疏点云上的性能较差。
