DeepCompress：高效点云几何压缩

点云是一种基础数据类型，随着 3D 内容日益普及而受到越来越多的关注。使用点云的应用包括虚拟现实、增强现实、混合现实与自动驾驶。我们提出了一种更高效的基于深度学习的点云压缩编码器架构，其融合了成熟 3D 目标检测与图像压缩架构的原理。通过消融研究，我们表明引入来自计算高效神经图像压缩（CENIC）的学习激活函数并设计参数效率更高的卷积块可带来效率与性能的显著提升。我们提出的架构采用广义分裂归一化（Generalized Divisive Normalization）激活，并提出了一种空间可分离、受 InceptionV4 启发的块。随后我们在标准 JPEG Pleno 8i Voxelized Full Bodies 数据集上评估率失真曲线以评价模型性能。相较基线方法，我们所提修改在 Bjontegard 增量率（Bjontegard delta rate）与 PSNR 值上以微小优势胜出，但将所需编码器卷积操作减少 8%，并将编码器总参数减少 20%。我们提出的架构单独来看，在相同峰值信噪比下，Chamfer 距离有 0.02% 的小幅损失，点面距离（Point to Plane Distance）的比特率增加 0.32%。