点云深度压缩算法解读系列之：PCGCv1

Posted 2021-12-23 jiuyouyun

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）Analysis和Synthesis的网络结构设计，引入VRN*3模块，能在encode/decode时有效提取点云特征；（2）采用hyper网络，对每个要编码的y的位置，用hyper网络输出的m、 s构建正态分布，模拟其概率密度，这样得到的cdf能更贴近y的真实，得到的算术编码后的ystring更小；（3）网络输入方面，将点云分割成固定大小的block，再将每个block转成voxel，作为神经网络的输入，block之间没有关联，可以并行处理，加快处理速度。

 

具体的代码和详细说明，见：

OpenPointCloud/PCGCv1_yehua: PCGCv1, point cloud compression, deeplearning, hyper - PCGCv1_yehua - OpenI
 

免费GPU云脑资源，见： OpenI 。启智社区是鹏城实验室推出的开源算法社区，这里会提供很多开源算法和免费GPU资源，具体使用看看官网的说明，有问题可以在官网提问，会有漂亮小姐姐解答的。

关于作者

### Authors
These files are provided by Nanjing University [Vision Lab](http://vision.nju.edu.cn/). And thanks for the help from SJTU Cooperative Medianet Innovation Center. Please contact us ([e-mail]) if you have any questions.