SPAC：面向稠密点云的基于采样的渐进属性压缩

我们提出了一种用于稠密点云的端到端属性压缩方法。该方法结合了频率采样模块、具有几何辅助的自适应尺度特征提取模块以及全局超先验熵模型。频率采样模块使用汉明窗和快速傅里叶变换来提取点云的高频分量。原始点云与采样点云之间的差异被划分为多个子点云。然后使用八叉树对这些子点云进行划分，为特征提取提供结构化输入。特征提取模块集成了自适应卷积层，并使用偏移注意力来捕获局部和全局特征。接着，使用几何辅助的属性特征细化模块来细化提取的属性特征。最后，引入全局超先验模型进行熵编码。该模型将超先验参数从最深层（基础层）传播到其他层，进一步提高了编码效率。在解码器端，使用镜像网络逐步恢复特征，并通过转置卷积层重建颜色属性。所提出的方法以低比特率编码基础层信息，并逐步添加增强层信息以提高重建精度。在 MPEG 通用测试条件 (CTC) 下，与最新的 G-PCC 测试模型 (TMC13v23) 相比，所提出的方法在 MPEG Category Solid 数据集上 Y 分量平均 Bjontegaard delta 比特率降低了 24.58%（YUV 合并降低 21.23%），在 MPEG Category Dense 数据集上 Y 分量平均 Bjontegaard delta 比特率降低了 22.48%（YUV 合并降低 17.19%）。这是首个在 MPEG CTC 下于这些数据集上性能超越 G-PCC 标准的基于学习的编解码器。