点云深度压缩算法解读系列之：PCGCv1

点云研究是现在非常热门的领域，尤其是在无人驾驶方面，有非常广阔的应用前景。

点云压缩是点云处理的一个方面的技术，目前研究方向主要分为深度学习和传统方法。传统方法主要是用到PCL等点云处理库，或者如GPCC、VPCC等标准方法，深度学习是近几年随着深度学习的发展而流行起来的方法，主要集中在高校学术领域，包括有损压缩和无损压缩。有损压缩方面的论文比较多，如PCGCv1、PCGCv2、pcc_geo_cnn-v1等，无损压缩则以voxeldnn为代表。

对于大部分的研究者而言，点云方面的研究存在很多困难，尤其是小白，比如论文下载要收费，英文论文看不懂，算法程序看不懂，不知道哪些论文是比较经典的，不同算法之间怎么衡量性能指标，算法的真实水平如何，数据集不好下载，没有好的GPU来训练和测试……

本系列就是为了解决上述研究者的痛点而生，通过在点云深度压缩领域，研究目前发表的质量比较高的论文，并进行论文和代码的分析、解读，针对使用者的不同深度学习框架的需求，提供不同框架下的深度学习程序，如TensorFlow、pytorch、tensorlayer等，并提供论文和源码，训练好的模型，性能评估结果、数据集等，帮你快速入门。最重要的是，这里可以提供高性能的GPU资源，免费！

第一个算法是PCGCv1，论文题目是《Lossy Point Cloud Geometry Compression via End-to-End Learning》，作者为南京大学王剑强等人，论文提出了一种针对点云的基于深度学习的压缩方法，包括encode与decode部分。论文的创新点主要有3个方面：（1）