关于自动驾驶:点云压缩研究进展与趋势

作者 | 张卉冉，董震，杨必胜，黄荣刚，徐大展
起源 | 武汉大学学报
编辑 | 东岸因为 @一点人工一点智能
入群邀请：7 个业余方向交换群 + 1 个材料需要群
原文：点云压缩研究进展与趋势

以激光扫描为代表的被动采集配备在易操作性、机动灵活性、智能化、高效化等方面日益成熟，利用三维成像技术采集密集点的空间坐标、色调纹理和反射强度等信息，可高保真且疾速重建被测指标的三维实体，在工程测量、生物医学、智慧城市、虚拟现实 (VR)、加强事实(AR) 等迷信与工程钻研中施展非常重要的作用[1-4]。

随着多平台、多分辨率采集设施的性能逐步进步，三维成像传感器可能从三维场景中获取具备空间地位和属性信息的海量点集，失去多细节档次的点云模型，给用户以活泼真切的可视化体验，具备极强的交互式和沉迷式成果。点云模型通常蕴含几十万至数千万空间域的点，在不经压缩的状况下，对于每帧 100 万个点的点云模型，30 帧 / s 的传输速率占用总带宽为每秒 3 600 兆位，这给存储空间容量和网络传输带宽带来了累赘与挑战[5]，因而对点云数据压缩编码的钻研具备重要意义。

过来因为计算机计算能力和点云采集效率的限度，根本沿用构建网格的办法，或按需采样来实现对点云模型的压缩与传输，导致时空压缩性能较低和几何属性特色信息失落。

当初钻研人员次要以计算机图形学和数字信号处理为出发点，通过对点云数据施行分块操作 [6-10] 或联合视频编码技术 [11-13] 对点云压缩办法进行优化。静止图像专家组 (MPEG) 于 2017 年收回了点云压缩的提案征集邀请，并于 2018 年公布对立的点云模型压缩编码钻研框架。

目前还没有一种办法能适应指数级减少的点云数据容量，以及在高压缩比、低失真率和计算成本三者之间达到均衡。因而，无效晋升点云几何信息和属性信息压缩编码的效率，既能有效应对海量点云数据的存储和传输，也能按需保留宏观信息和细节特色，在点云数据处理与利用中贯通始终。

本文围绕点云压缩编码的外围，重点论述点云几何和属性压缩研究进展、点云压缩公开数据集、点云压缩公开基准算法性能评估等 3 个方面，并对点云压缩的重要倒退方向予以瞻望。

01  点云压缩研究进展

点云压缩编码方案的需要一劳永逸，寰球最具影响力的 MPEG 和国内外学者独特致力于钻研点云压缩规范框架，力求建设欠缺的点云压缩零碎，有效应对多源、多尺度场景点云数据的压缩工作。文献 [15-16] 别离从空间维度压缩技术和 MPEG 标准化框架角度登程，对以后的点云压缩办法进行调研与概述。

1.1 点云压缩办法分类

点云压缩工作依照不同的规范能够将办法划分成不同的类型，次要有以下规范：(1)依据还原品质分类；(2)依据解决办法分类；(3)依据空间维度分类；(4)依据信息类型分类。表 1 依据不同的分类规范对以后点云压缩办法进行了汇总。

表 1 点云压缩办法分类汇总

依据信息还原品质的高下，点云压缩分为无损压缩和有损压缩。无损压缩通过辨认并打消统计冗余，使数据结构更加紧凑，解码后的点云与原始点云雷同，包含点的数量、各点关联的属性信息。这种办法为尽可能地放弃原有数据的特色，使得压缩性能较无限。有损压缩通过量化删除了非必要、视觉上无用的信息，从而减小了数据量，使得原始点云数据和解码后的点云数据之间存在一些差别。这种办法应用了适当的率失真管制，因此在感知数据品质和比特率之间进行了均衡。

依据解决办法的不同，点云压缩分为传统压缩办法和基于深度学习的压缩办法。首先，传统办法基于点云的构造划分进行一系列的预测编码去除了一部分冗余；而后，通过变换与量化将空间域的点云变换到频域并压缩变换系数；最初，通过熵编码进一步压缩失去比特流。这类办法在示意过程中依然暗藏着大量的冗余信息，如反复的部分构造、形态特色显著的物体类别，冀望在压缩过程中利用此冗余信息来进一步升高比特率。深度学习办法通过卷积神经网络将点云数据编码为暗藏示意，再量化暗藏特色，基于学习熵模型和熵编码将上下文输出的状况下每个符号呈现的概率压缩并产生比特流，因此须要训练大量的点云数据样本以取得编码器端和解码器端非线性变换。基于深度学习的点云压缩办法能够更好地适应部分构造复杂性，因而具备作为将来基准编码工具的后劲。

依据空间维度的特点，点云压缩分为一维遍历压缩、二维映射压缩和三维去相干压缩，基于维度的划分办法间接决定了点数据的拜访容易度，从而影响压缩效率。首先，一维压缩办法通过利用各点之间的间隔邻域关系来构建基于树的连贯；而后，程序遍历生成树各节点将几何数据转换为一维，适应预测的信号。这种办法提供了绝对简略的实现形式，但未齐全思考三维空间相关性使压缩性能受到很大限度。二维压缩办法将点云解释为 3D 空间中的二维离散流形，通过映射、网格划分和图像编码对点云进行编码，这种压缩办法波及到映射过程，导致信息局部失真。三维压缩办法采纳稳固构造对点云所在的空间进行合成，再对该构造进行预测与变换以缩小冗余，并对上述后果进一步编码即可实现点云压缩，这种办法思考了点云的散布个性、获取与利用，已成为压缩办法的最次要钻研方向。

依据信息类型的差别，点云压缩分为几何信息压缩和属性信息压缩，其中后者通常波及预处理，且须要与几何信息建设对应关系。首先基于不同的数据结构对点云进行结构化解决，如树、线元、面元和块等；而后进行一系列的预测编码、变换编码、量化、熵编码操作；最初取得比特流。

1.2 几何信息压缩

点云几何压缩办法多基于树结构或块构造组织划分点云，通过对结构化的点云进行形容与编码，文献 [24] 提出了一种基于八叉树的几何编码方法，首先，在相邻帧之间作异或运算；而后，用八叉树编码运算的后果。该办法既能获得较高的压缩效率，也能无效升高编码计算复杂度，是点云库 (PCL) 中举荐的点云压缩框架算法。文献 [50] 利用二叉树构造将无序点云划分为子空间，通过旅行商算法预测各子空间外部的几何信息，通过浅层神经网络的无损压缩算法 PAQ 实现预测残差编码。然而仅应用树结构或块构造的编码方式压缩未充分利用点云之间的空间相关性，导致大量冗余信息被编码，大大限度了压缩性能。

改良办法沿用树结构或块构造编码近似值的核心思想，退出三角形外表模型 [77]、立体外表模型[51, 70] 或聚类算法 [71] 对层间预测和残差计算进行领导。为了进步压缩计算效率，文献 [69] 提出了分层压缩的概念，首先，利用八叉树结构实现点云的粗粒度编码和表白；而后，在增强层通过图形傅里叶变换实现点云细节的压缩和重建，是目前压缩效率最高的点云几何信息压缩办法。此外，文献 [33] 提出针对城市大场景的点云压缩框架，首先，对整个点云中最大的立体进行迭代检测；而后，应用 Delaunay 三角剖分法对立体进行合成；最初，对三角形以及立体的面积和点数进行编码。

文献 [66] 将几何形态隐式示意为符号间隔函数的程度集，对近乎平坦的外表采纳较少系数示意，为简单的曲面保留更多系数，对基系数进行量化和熵编码。

参考深度神经网络在图像和视频压缩方面获得的停顿，从实践上讲，能够在压缩过程中利用基于超先验疏导与隐空间表白冗余信息来进一步升高比特率。文献 [75, 84] 提出了基于深度学习的点云几何压缩办法，首先，利用神经网络编码器学习点云的高阶隐含向量；而后，利用算数编码、行程长度编码等熵编码方法对隐含向量进行编码；最初，利用神经网络解码器重建三维点云。基于卷积神经网络 (CNN) 已宽泛用于特征提取、指标检测、图像编码等，文献 [86] 提出 CNN 与主动编码器联合的压缩办法，能无效利用相邻点之间的冗余，并示意出对数据编码的适应性。为了进步隐含向量编码的压缩比，文献 [86] 提出基于变分编码器 (VAE) 的点云压缩办法，通过学习隐含向量的超先验，使得熵模型的编码概率与隐含向量的边缘概率更加吻合，从而缩小算术编码的内存耗费。

1.3 属性信息压缩

属性压缩以缩小点云属性之间的冗余为目标，次要依附重建后的几何信息来进行，首先，基于几何信息在三维空间档次划分；而后，在压缩性能和保真度之间达到均衡，进行后续的预测、变换编码。在压缩时，依据理论须要抉择适合的预测、变换算法十分要害，学者们的钻研方向大抵分为两类：基于信号处理技术，联合图像视频编码技术对点云进行去相干操作；基于图变换的思维，对点云数据进行分块、分层来解决。

以信号处理为主导的点云属性压缩通常参考信号处理办法及图像视频编码技术，以实现点云数据的预测编码和变换编码。文献 [37] 基于视频编码中帧内预测的立体模式进行点云属性编码，首先，将点云空间划分为根本单元块；而后，沿着被预测块的 3 个正交基方向寻找邻接的单元块，依据邻接块中点云的属性联合最近邻算法，失去被预测块邻接面上的属性值；最初，借鉴 planar 模式求出被预测块内各点的属性预测值。文献 [41] 在几何编码的前提下引入基于联结图像专家组的压缩办法，首先，依照深度优先遍历的程序将点云属性值映射到结构化的网格上；而后，进行属性预测编码、离散余弦变换和熵编码。

为了晋升信号处理点云模型的压缩性能，学者提出利用图形学的办法，以进一步利用点云数据的相关性进行编码。基于图变换的钻研内容包含空间划分合理性和各子图维度平均性，文献‍[32]提出了基于图变换 (GT) 的点云属性压缩办法，首先，通过树结构对点云空间进行体素划分，并利用体素的相邻关系结构图形拉普拉斯矩阵；而后，对拉普拉斯矩阵做特征值合成取得图变换矩阵 GT，并利用 GT 对属性冗余信息进行去相关性解决实现点云属性压缩。为了升高 GT 办法的复杂度，文献 [40] 提出了一种区域自适应分层变换的压缩算法，通过在子带中对系数进行压缩编码获得与 GT 相当的峰值信噪比，同时显著升高了计算复杂度。为了进一步摸索点云属性的统计个性，文献 [44] 采纳安稳高斯过程对点云属性建模，显著进步了点云属性压缩的性能。文献 [56-57] 为了减小属性预测的残差，别离应用了 K - 均值聚类算法和均值漂移算法对点云数据进行聚类，因为在聚类时将属性信息类似的点集中在一起，从而优化属性预测的残差大小，进步预测的准确性。

深度学习的疾速倒退带动了数据压缩方面技术的倒退，且有局部体现成果在图像和视频压缩方面远超过传统办法，为点云压缩带来极大的借鉴意义。文献 [92] 提出了基于深度学习网络的点云属性办法，首先，将点云属性映射到一个折叠的二维流形空间；而后，利用传统的熵编码算法进行压缩；最初，利用神经网络解码器复原三维点云。基于深度学习的点云属性压缩办法能够更好地适应部分几何复杂性，因而具备作为将来基准编码工具的后劲。

02  点云压缩公开数据集

MPEG 点云压缩规范框架颁布了 3 种通用的点云测试数据集[100]：用于示意动态对象和场景的动态点云，用于沉迷式视频和 VR 利用的动静点云，用于主动驾驶与导航的动静获取点云。所有的测试序列均可在 MPEG 的官方网站下载获取。

对于动态点云和动静点云，次要由微软公司和 8i 公司，采纳激光扫描仪、红外线深度摄影机等伎俩获取指标的几何信息，多个传感器或成像摄像机以每秒传输帧数 30 的速度获取指标的属性信息，包含捕捉色彩信息并计算平面深度。动态点云和动静点云数据示意如图 1 所示。

图 1 动态点云和动静点云数据示意图

对于动静获取点云，采纳装置有惯性传感器(IMU)、寰球导航卫星零碎(GNSS)、激光雷达和色彩空间 RGB 摄像机的移动式测绘零碎。其中，GNSS 和 IMU 用于确定车辆的实时地位，激光雷达用于捕捉指标的几何信息，而色彩空间 RGB 摄像机则通过拍摄图像或视频序列取得指标的属性信息。通过多源数据交融、冗余点和离群点去除等预处理步骤，取得的点云数据包含三维坐标代表的几何信息以及与每个点相关联的色彩、反射率等属性信息，动静获取点云数据见图 2。

图 2 动静获取点云数据示意图

03  点云压缩评估指标

压缩效率和重建品质是点云压缩算法性能评估的两项重要指标。在压缩效率方面，依据压缩文件比特数进行掂量，针对点云数据通常应用存储每个点所占的比特位数 (BPP) 来比拟，BPP 越低，压缩效率越高。

在重建品质评估方面，采纳点云在三维空间中的坐标 (x，y，z) 和色彩属性 (色彩 RGB 或空间 YUV) 及其他可选属性来评估原始点云和解码点云之间几何地位或属性表白的相似性。其中主观评估次要指目视评估，主观评估包含几何信息评估和属性信息评估。主观评估次要采纳点到点 (C2C) 取得的峰值信噪对解码点云的几何品质进行评估[101]，主观评估将原始点云的属性值与解码后的点云中最近点的属性值进行比拟，取得对应的峰值信噪比[102]。

1）对称均方根 (root mean square，RMS) 间隔。以原始点云为参考，计算解码点云基于几何间隔的均匀间隔误差的最大值：

式中，\(V_o \)和 \(V_r\) 别离示意原始点云和解码点云；\(v_{o(i)}\) 和 \(v_{r(k)}\) 别离示意原始点云和对应的最邻近解码点云；K 是原始点云中的点数；||⋅|| 示意两个值之间的欧氏间隔；\(D_{RMS}\) 为最近点之间的均匀间隔。\(D_{RMS}\) 针对原始点云中所有点计算，也针对对应解码点云中所有点计算，因而有必要计算对称间隔 \(s_{RMS}\)。

2)对称 Hausdorff 间隔。示意要评估的两个互为邻域的点云之间最大的几何间隔：

3)几何信息峰值信噪比(PSNR)。以原始点云作参考，思考了原始点云的边界框最大宽度和对称均方根间隔，计算基于几何形态的地位偏差：

式中，\(B_{width} \) 为原始点云边界框的最大宽度；\(g_{PSNR} \) 为几何信息峰值信噪比。\(g_{PSNR} \) 越大，压缩失真越小。此外，几何信息评估也会用到点到外表 (C2S) 品质评估指标和点到立体 (C2P) 品质评估指标，前者通过思考与原始点云关联的一些参考曲面来评估解码后的点云品质，后者通过思考与原始点云关联的一些参考曲面来评估解码后的点云品质。C2S 和 C2P 品质评估指标均思考到被比拟的点对相关联外表的相关性，次要毛病是它们取决于所应用的特定外表重构算法。

4)属性信息峰值信噪比。以色彩为例，将原始点云的每个色彩重量与解码后的云中最近点的色彩进行比拟，从而得出 YUV 色彩空间中每个重量的峰值信噪比：

式中，默认采纳 8 位色彩示意，式 (4) 应用 255 作为峰值信号；dy 示意原始云和解码后的云之间在均匀色彩误差方面的差别；变量 y(⋅) 是每个点的亮度值；属性信息峰值信噪比越大，压缩失真越小。图像压缩品质评估会用到信息保真度准则 (IFC)[103]、视觉信息保真度(VIF)[104] 和构造相似性 (SSIM)[105] 作为评估指标，其中 IFC 和 VIF 在信息保真度上引入了图像与人眼之间的分割，SSIM 则从综合亮度、对比度和构造 3 方面评估解压缩后图像的失真状况，是合乎人眼视觉零碎个性的主观评判规范。

04  点云压缩基准算法性能测试

4.1 试验数据

为了测试 PCL、MPEG、Draco 这 3 种开源点云压缩算法的性能，本试验在 MPEG 提供的点云测试序列中抉择了 4 个具备色彩属性的单帧点云模型进行测试，包含：安德鲁(http://plenodb.jpeg.org/pc/microsoft)、士兵、红黑裙子女士和长裙子女士(http://plenodb.jpeg.org/pc/8ilabs)，所选模型均以.ply 文件格式存储。图 3 展现了所用的局部测试序列，不同的模型具备不同的采集特点和外表特色。点云数据具备平滑的外表和平均的区域，没有显著的孔区域。

图 3 MPEG 单帧点云测试序列示意图

4.2 基准算法介绍

目前国内外开源的点云压缩算法次要包含 PCL 库中基于八叉树的点云压缩框架 [55]、Chrome Media 团队的 Draco 开源 3D 图形压缩库[107] 及 MPEG 提出的 G -PCC 点云压缩平台[68]。

4.2.1 PCL 点云压缩框架

PCL 库提供了点云压缩计划，它容许对所有文件格式的点云进行压缩编码。如图 4 所示，PCL 压缩过程包含读取、采样、编码、解码、存储等。首先，办法应用八叉树数据结构在空间上划分点云来进行初始化；其次，对单位块之间的数据进行相关性剖析，通过二进制流对该构造进行序列化；而后，应用点地位编码来编码点的附加信息，如色彩、法线等；最初，采纳熵编码进行进一步压缩取得比特流。

图 4 PCL 动态点云编码流程

4.2.2   Draco 点云压缩框架

Google 的 Chrome Media 团队于 2017-01 公布了 Draco 开源压缩库，旨在改善三维图形的存储和传输。Draco 为两种格局的数据提供压缩计划，只蕴含顶点信息的.ply 文件格式和蕴含顶点信息及面信息的.obj 文件格式。其中，顶点信息指该点的物体坐标、法线向量、纹理坐标等；面信息指的是由顶点围成面，即一系列顶点索引的汇合，包含各顶点及连贯信息、纹理坐标、色彩信息、法线和其余与几何相干的任何通用属性。

如图 5 所示，Draco 整体思路是网格的连贯信息和顶点的几何属性信息别离进行编码，针对面信息采纳 Edge Breaker 算法压缩连贯信息 [106]，对于各顶点的根本信息写入缓冲区，其中几何信息采纳 K 维树结构组织并序列化，属性信息采纳平行四边形差分形式压缩。对顶点的几何信息、属性信息及面信息进行预测编码、变换编码、量化、熵编码，其中熵编码采纳非对称数字零碎的范畴变体(rANS) 算法[107]。

4.2.3 G-PCC 点云压缩框架

MPEG 于 2019 年提出了 G -PCC 规范框架，该办法分为几何压缩和属性压缩两局部，其中，属性压缩是要依附重建后的几何信息来进行，因而基于 G -PCC 框架的点云压缩是首先进行几何压缩，包含坐标变换、体素化、基于八叉树的几何构造剖析，以及对所得构造进行算术编码；而后进行属性压缩，包含区域自适应档次转换、预测转换和晋升转换。如图 6 所示，G-PCC 压缩波及 3 局部操作：预处理、几何压缩和属性压缩。

图 6 G-PCC 点云编码流程

4.3 性能比拟与剖析

本文试验采纳 MPEG 中的 4 个具备色彩属性的动态点云测试序列，采纳 2.20 GHz、i7-8750 ‍CPU 以及 8GB RAM 的笔记本电脑，别离实现 PCL 库、Draco 3D 图形库以及 G -PCC 平台的动态点云压缩办法。

1)本文尝试对 MPEG 提供的点云测试序列进行无损压缩，即不对几何信息和属性信息进行近似或量化，具体表现为：

(1)在 PCL 压缩中抉择细节编码模式，且不对属性信息进行量化；
(2)在 G -PCC 压缩模式抉择 Octree-Predictive 模式，将参数设置为 Lossless Geometry‍–‍Lossless Attributes 默认值；
(3)在 Draco 压缩中抉择最高压缩等级和不进行量化压缩模式。采纳耗时、各点所占比特位数作为编码性能的掂量指标，失去的剖析后果如表 2。

安德鲁可视化后果如图 7。

表 2 3 种点云无损压缩算法的性能比拟

图 7 无损压缩重建点云的主观比拟图

2)为了测试 3 种开源办法在不同几何信息有损条件下的性能，本文尝试对 PCL、G-PCC 和 Draco 办法在类似的比特率范畴内进行试验，体现为：

(1)在 PCL 压缩中不进行细节编码且不对属性信息进行量化，将八叉树分辨率参数设置为 2~16；
(2)在 G -PCC 压缩模式中抉择 Octree-Predictive 模式，将地位量化比例设置为 0.5~0.05，将其余参数设为默认值；
(3)在 Draco 中坐标量化保留位数设置为 8~14。

失去点云测试序列在几何形态与地位的率失真性能曲线后果如图 8 所示，其横轴表征点云数据均匀每点几何信息编码的码率，纵轴表征各点云压缩的几何峰值信噪比。

图 8 点云在几何有损压缩后的速率失真曲线

3)为了测试 3 种开源办法在不同属性信息有损条件下的性能，本文尝试对 PCL、G-PCC 和 Draco 办法在类似的比特率范畴内进行试验。

1)在 PCL 压缩中进行细节编码，将属性量化保留位数设置为 3~6。
2)在 G -PCC 压缩模式中抉择 Octree-Predictive 模式，将量化步长设置为 10~40，将其余参数设置为默认值。
3)在 Draco 中属性量化保留位数设置为 3~6。

失去点云测试序列在 Y 通道下率失真性能曲线的后果如图 9 所示，其横轴表征点云数据均匀每点属性信息编码的码率，纵轴表征各点云压缩的属性峰值信噪比。

图 9 点云在属性有损压缩后的速率失真曲线

由试验后果得出如下论断：从压缩效率来看，在 3 种试验条件下 G -PCC 体现出显著劣势，在有损压缩条件下压缩效率 Draco 较 PCL 高，而在无损压缩条件下 PCL 比 Draco 更优；从信息失真状况来看，G-PCC 和 Draco 在不同有损压缩的条件下也可能放弃肯定的重建精度，它们在几何信息和属性信息方面体现出的保真性能较 PCL 更好；从压缩、解压缩耗时来看，Draco 均优于另外两种压缩办法，PCL 次之，而 G -PCC 有较大的晋升空间。

综上所述，G-PCC 点云压缩办法领有更优越的率失真性能，而相比 G -PCC 点云压缩而言，Draco 的压缩效率比拟低，然而压缩、解压速度方面更占优势。由此可见，G-PCC 和 Draco 能为不同工作提供具备竞争力的解决方案，以满足各种利用要求，其中 G -PCC 更适宜用在存储空间无限且高保真度要求的状况下，Draco 更能应答实时性要求高的工作。

05  点云压缩瞻望

在三维采集技术、传感器技术及计算机解决技术综合化、多样化的背景下，点云数据获取的效率与品质逐步提高，采集的老本一直升高，得以对三维场景进行精密数字化，从而广泛应用于加强事实、近程通信、智能交通、数字地球等新兴产业。一方面，点云数据容量呈指数级减少；另一方面，点云的非结构化、密度不均以及实在场景中指标实体间的相似性等景象使得点云大数据的存储管理、计算剖析等面临更大的挑战，推动点云压缩编码算法的改良和翻新。

针对点云压缩过程中存在计算复杂度高、无奈精密刻画数据分布、难以利用场景先验信息做针对性压缩、重建点云存在细节失落和全局形变等问题，将来有以下几种发展趋势：

(1)顾及特色同质与信息平衡的点云超体素生成办法，在特色同质与信息平衡的损失函数束缚下，实现点云等信息熵的超体素划分，并以此代替等尺寸的单位体素作为点云压缩的根本单元，既进步点云压缩的效率，又升高点云压缩的失真率。

(2)创立基于部分细节差分和全局相似性束缚的渐进式点云压缩办法，针对点云的空间散布状况，自适应划分点云空间域，通过不同分辨率的层次结构进步细节重构能力，无效升高解码后的数据失真率。

(3)倒退交融超先验疏导与稠密编码的点云隐含空间表达方法，利用高维空间隐含向量的稠密编码表白点云，并利用超先验常识领导点云编码过程，使得熵模型的编码概率与隐含向量的边缘概率更加吻合，从而缩小算术编码的内存耗费，以此晋升数据压缩比。

(4)创立基于空间连续函数的点云表白与压缩办法，对点云的几何和属性信息采纳适合的体积函数进行表白，并对其进行量化和熵编码，从而充沛结合点云数据的几何信息和属性信息，实现兼顾点云几何和属性的联结压缩。

(5)提出更加正当的点云品质评估指标，计算点云压缩产生的几何信息和属性信息损耗，既能从主观上评估压缩对点云可视化成果的影响，也能从主观角度反映压缩对上游工作 (如场景了解、模型重建等) 的影响。

(6)丰盛点云压缩测试数据集(如手持式、高空基站、车载测量零碎、无人机测量零碎等)，欠缺点云压缩算法在沉迷式近程实时通信、交互式 VR、文化遗产展现与修复、动态地图与智能交通等迷信与工程钻研等案例的利用钻研。

(7)改良预测编码、变换编码及熵编码技术计划，正当抉择量化参数和码率管制模式，从而实现率失真优化的点云压缩规范框架，无效填补国标和行标的空白。

(8)点云深度学习办法和实践仍处于倒退阶段，如何应答小规模数据集和点云的非结构化性质、进步网络的卷积效率、解耦高低频信息等也是点云数据压缩的将来倒退方向。

在可预感的将来，在人工智能、云计算、5G 通信等技术的撑持下，置信点云压缩岂但能够保障高压缩比和低失真率，还能够联合 GPU 并行计算能力减速点的选取，使得高效、实时地渲染和传输密集点云成为可能，从而为测绘利用、地球科学研究、智慧城市、数字地球、AR/VR 等提供更无力的数据撑持。

06  结语

三维成像技术的迅速倒退，使得疾速生成高精度、高密度的点云模型成为可能，为无限的存储空间和传输带宽带来微小压力，学术界和工业界对规范点云压缩编码方案的需要一劳永逸。

如何在保障低失真率、高压缩比的状况下，晋升点云压缩编码的效率，成为以后点云模型压缩编码的钻研指标。

本文围绕点云压缩的外围，重点对国内外点云压缩算法的钻研工作进行总结与阐明，并在罕用的测试数据上对 3 种开源点云压缩框架进行比拟剖析，对点云压缩的重要倒退方向予以瞻望。

1. 书籍举荐 -《3D 点云剖析：传统、深度学习和可解释的机器学习办法》

2. 书籍举荐 -《基于多视图几何的机器人零碎视觉感知与管制》
3. 书籍举荐 -《机器人感知与认知中的深度学习》
4. 书籍举荐 –《基于 C ++ 的机器学习实操》
5. 书籍举荐 -《室内外无缝 3D 导航》
6. 书籍举荐 -《3D 计算机视觉》