MuSCLE阅读

创新点：

以往的点云压缩大多只使用了点云的三维位置信息(8位的占用位)，很少关注其他属性,如雷达强度等。将这些属性与位置信息一起压缩可以对减少存储产生积极影响。
利用多次LiDAR扫描之间的相关性进行时间上的建模。

Architecture

首先将LiDAR点云数据进行八叉树细分，
广度遍历八叉树,序列化为两个bit stream,分别包含占用符和强度。
序列化无损,唯一的损失来自八叉树量化。

假设:八叉树P(t)只依赖前一次扫描P(t-1)。
熵模型分为两个:占用模型和强度模型。

Occupancy Entropy Model

将上文提到的占用熵模型进行分解：
X(t)ans(i)={X(t)pa(i),X(t)pa(pa(i)),…,X(t)pa(…(pa(i)))}是一系列祖先节点。
P(t-1)是上一次扫描的结果。
可以看到当前结点的占用概率预测依赖于前一次扫描的先验知识以及该次扫描的祖先结点。因此，占用熵模型再次分解为祖先模型和先验扫描模型。

祖先模型

自顶向下的八叉树递归网络,用一个mlp为每个结点计算一个上下文特征,后用mlp转换为嵌入
然后在每个节点的嵌入和其父节点的嵌入之间进行k次聚合
整个树形递归主干分支表示为

先验扫描模型

先将前一次八叉树对齐到当前八叉树的坐标框架中。
构建利用前一次八叉树中所有信息的特征,既包含自上而下的信息,也包含自下而上的信息。
自上而下:和祖先模型差不多
自下而上:每个节点的孩子数量不固定,希望输出不随孩子而变化，用聚合函数聚合所有孩子结点信息

不是前一次扫描的所有信息都有用，也不是所有信息的重要性都一样。
认为只有空间上接近的节点才能对影响预测,且重要性由相对位置定义
对于前一次八叉树的聚合特征用mlp产生最后的嵌入特征。

Intensity Entropy Model

继续分解上文提到的强度模型，能对压缩效率产生积极影响
强度预测的条件依赖占有率和前一次扫描。
依赖占有率并不是要直接使用占有率的值本身，而是强调强度解码发生在点空间坐标重构之后，所有点的三维位置已知。

将邻居强度集合RN(i)定义为{rj(t−1)}j∈N(i)。
用一个MLP将上一次扫描的邻居强度rj(t−1)映射一个嵌入特征。
然后这个特征通过一个线性层和softmax函数，输出强度概率值。

LOSS

用交叉熵损失进行端到端训练

xi(t),gt和ri(t),gt是真实值

Experiment

O、T和B分别代表使用前一次八叉树、自顶向下聚合特征和自底向上聚合特征。CC表示使用连续conv . D代表八叉树的最大深度。

与其他方法的对比，即使在高压缩率下也能进行良好的重建。