深度学习点云压缩：Learning Convolutional Transforms for Point Cloud Geometry Compression 笔记

---

本系列文章由@邻居张师傅 出品，转载请注明出处。

文章链接： https://blog.csdn.net/qq_39120048/article/details/117753592

邮箱： zhangyh.nb@qq.com

---

---

应该是深度学习压缩点云领域的开创性论文，研究该方向的同学可以好好研究一下，论文本身也并不难。
从图像的深度学习压缩上更改而来：

• 将图像压缩中的二维卷积换成了适合点云的三维卷积
• 将原始点云转换成体素网格（尺寸为 长x宽x高 的数组，值为0或1，分别代表该座标上是否存在点），即将问题转化成一个二分类的问题

其他部分和图像的深度学习类似。
图像的深度学习可以参考：

• Variational image compression with a scale hyperprior
• End-to-end Optimized Image Compression

论文地址

论文地址：https://arxiv.org/abs/1903.08548
Github地址：https://github.com/mauriceqch/pcc_geo_cnn

mesh_to_pc.py

将点云数据集转化为体素网格
体素网格的坐标是0和目标分辨率之间的整数坐标

结果如下，只选取了点云的前五个坐标，分辨率vg_size取64：

归一化后会导致多个坐标点相同，可去除

train.py

训练模型

自编码器网络

编码器analysis_transform

三层三维卷积层3D，形状依次是：

其中输入为(batch, channels, depth, height, width)
Conv3D参考： https://tensorflow.google.cn/api_docs/python/tf/compat/v1/layers/conv3d?hl=en

解码器synthesis_transform

解码器的网络与编码器对应，此处为转置的3D卷积

损失函数