本文介绍了一种针对点云几何数据的高效压缩编码方法，即基于Transformer和金字塔上下文注意力编码的方案 (TSC-PCAC)。该方法旨在解决点云数据在存储和传输过程中面临的挑战。该方案不依赖于传统几何数据处理流程中的预处理步骤，适用于增强现实/虚拟现实（AR/VR）以及3D内容创建等领域。
为了实现对3D点云数据进行有效压缩，该方案利用了点云数据的空间结构信息，通过学习点之间的关系，实现了精确的重建和高效的编码。一方面，该方案可以显著减少数据量，另一方面，能够保证高质量的视觉体验，涵盖了沉浸式体验、自动驾驶和远程协作等应用场景。该研究旨在推进点云数据的实际应用，尤其是在需要实时渲染3D内容的场景中。
具体而言，该方案采用了一种新颖的Transformer架构，并结合了金字塔上下文注意力机制来提升点云数据的压缩性能（TSC-PCAC）。该方案的关键在于通过多尺度的上下文信息提取，实现对点云数据的有效编码：其一，通过多个层次提取点云特征，捕捉不同尺度的几何信息，其二，利用注意力机制来关注重要的局部特征，从而提高压缩效率。
该方案还提出了一种结合TSCM的分层量化方法，实现了对量化误差的有效控制，从而保证重建点云的质量。实验结果表明，与现有的点云压缩算法相比，TSC-PCAC在点云数据压缩方面取得了显著的性能提升：相较于Sparse-PCAC提升了38.53%，相较于NF-PCAC提升了21.30%，相较于G-PCC v23提升了11.19%。在保证质量的前提下，实现了更高的压缩比，实现了97.68%和98.78%的峰值信噪比。
该研究成果为点云数据的压缩编码提供了一种新的思路，可以广泛应用于涉及到大量点云数据传输和存储的领域，例如AR/VR和3D内容的应用开发，为未来的沉浸式应用创造了条件。该方案的优势在于能够自适应地提取点云特征，优化了网络传输和存储的效率，支持更高质量的远程协作体验。
论文链接：https://arxiv.org/html/2407.04284v1
