基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达，不过真实世界采集到的点云往往数据庞大，不利于传输与储存，针对点云数据冗余性问题，引入基于注意力机制的Transformer模块，提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化，在编码端利用稀疏卷积提取特征，进行多尺度的逐步下采样，结合Transformer模块加强点空间特征感知与提取；在解码端进行对应的多尺度上采样重建，同样采用Transformer模块对有用特征进行加强与恢复，逐步细化并重建点云。与2种点云标准编码方法对比，所提方法平均获得80%和75%的BD-Rate增益；与基于深度学习的点云压缩方法对比，平均获得16%的BD-Rate增益，在相同码率点有约0.6的PSNR提升。实验结果表明：Transformer在点云压缩领域的可行性与有效性；在主观质量方面，所提方法也有明显的主观效果提升，重建的点云更接近原始点云。