关于点云压缩QP与属性量化步长的映射

点云属性的量化

传统的点云编码流程大致为：

几何编码->几何熵编码->几何重建->重着色->属性变换->属性预测->属性残差量化->残差二值化->属性熵编码
在经过属性预测之后得到属性预测残差，首先将残差由signed类型转换为uisigned类型，再对残差进行量化（QP），最后对量化后得到的残系数进行二值化并且进行属性熵编码。

属性量化步长（attribute_Quanstep）与QP之间的关系

两者之间的关系为：

 attribute_Quanstep=1<<((QP-4)/6)

之所以要用QP代替attribute_Quanstep的主要原因是因为在得到属性残差之后，直接对残差进行除法运算，那样随着属性量化步长的不断增大，损失的精度越大，也就代表着重建点云的属性与原始点云属性之间的误差越大，（因为C++中整数的除法是向下取整运算）。所以需要用到QP来代替属性残差的除法预算，进行四舍五入的预算初次之外除法相比于乘法和右移运算对于硬件难以实现。
如下图所示：

编码端的QP对属性预测残差的量化

const uint32_t DriveQuantstepSize[6] = { 26214,23302,20560,18396,16384,14564 };
const uint32_t encoderShiftBit = 14;
uint64_t
QuantizaResidual(const uint64_t residual, const uint8_t QP)
{
	const int index = QP % 6;
	const int shift = QP / 6;
	const int offset = (1 << (8 + encoderShiftBit)) / 2;
	const uint32_t quantstepSize = DriveQuantstepSize[index];
	return (residual*(quantstepSize>> shift)+ offset)>>encoderShiftBit;
}

通过对变量residual进行量化，返回量化残差系数。
当QP=4时，量化步长为1，也就是属性无损编码；
当QP=10时，量化步长为2；
当QP=16时，量化步长为8；
当QP=22时，量化步长为16；
当QP=28时，量化步长为32；
当QP=34时，量化步长为64；
当QP=40时，量化步长为128；
当QP=46时，量化步长为256。

解码端的QP对属性预测残差的反量化

const uint32_t DriveInerseQuantstepSize[6] = {40,45,51,57,64,72};
const uint32_t decoderShiftBit = 6;
uint64_t
InverseQuantizeResidual(const uint64_t residual, const uint8_t QP)
{
	const int index = QP % 6;
	const int shift = QP / 6;
	const int offset = 1 << decoderShiftBit-1;
	uint32_t quantstepSize = DriveInerseQuantstepSize[index];
	return  (residual*(quantstepSize << shift)+offset)>>decoderShiftBit;
}

当QP=4时，反量化步长为1，也就是属性无损编码；
当QP=10时，反量化步长为2；
当QP=16时，反量化步长为8；
当QP=22时，反量化步长为16；
当QP=28时，反量化步长为32；
当QP=34时，反量化步长为64；
当QP=40时，反量化步长为128；
当QP=46时，反量化步长为256。