以激光掃描為代表的主動采集裝備在易操作性、機動靈活性、智能化、高效化等方面日益成熟，利用三維成像技術采集密集點的空間坐標、色彩紋理和反射強度等信息，可高保真且快速重建被測目標的三維實體，在工程測量、生物醫學、智慧城市、虛擬現實（VR）、增強現實（AR）等科學與工程研究中發揮十分重要的作用［1-4］。

隨著多平臺、多分辨率采集設備的性能逐漸提高，三維成像傳感器能夠從三維場景中獲取具有空間位置和屬性信息的海量點集，得到多細節層次的點云模型，給用戶以生動逼真的可視化體驗，具有極強的交互式和沉浸式效果。點云模型通常包含幾十萬至數千萬空間域的點，在不經壓縮的情況下，對于每幀100萬個點的點云模型，30幀/s的傳輸速率占用總帶寬為每秒3 600兆位，這給存儲空間容量和網絡傳輸帶寬帶來了負擔與挑戰［5］，因此對點云數據壓縮編碼的研究具有重要意義。

過去由于計算機計算能力和點云采集效率的限制，基本沿用構建網格的方法，或按需采樣來實現對點云模型的壓縮與傳輸，導致時空壓縮性能較低和幾何屬性特征信息丟失。

現在研究人員主要以計算機圖形學和數字信號處理為出發點，通過對點云數據實施分塊操作［6-10］或結合視頻編碼技術［11-13］對點云壓縮方法進行優化。運動圖像專家組（MPEG）于2017年發出了點云壓縮的提案征集邀請，并于2018年發布統一的點云模型壓縮編碼研究框架。

目前還沒有一種方法能適應指數級增加的點云數據容量，以及在高壓縮比、低失真率和計算成本三者之間達到平衡。因此，有效提升點云幾何信息和屬性信息壓縮編碼的效率，既能有效應對海量點云數據的存儲和傳輸，也能按需保留宏觀信息和細節特征，在點云數據處理與應用中貫穿始終。

本文圍繞點云壓縮編碼的核心，重點闡述點云幾何和屬性壓縮研究進展、點云壓縮公開數據集、點云壓縮公開基準算法性能評價等3個方面，并對點云壓縮的重要發展方向予以展望。

01 點云壓縮研究進展

點云壓縮編碼方案的需求與日俱增，全球最具影響力的MPEG和國內外學者共同致力于研究點云壓縮標準框架，力求建立完善的點云壓縮系統，有效應對多源、多尺度場景點云數據的壓縮任務。文獻［15-16］分別從空間維度壓縮技術和MPEG標準化框架角度出發，對當前的點云壓縮方法進行調研與概述。

1.1 點云壓縮方法分類

點云壓縮任務按照不同的標準可以將方法劃分成不同的類型，主要有以下標準：（1）根據還原質量分類；（2）根據處理方法分類；（3）根據空間維度分類；（4）根據信息類型分類。表 1根據不同的分類標準對當前點云壓縮方法進行了匯總。

表1 點云壓縮方法分類匯總 根據信息還原質量的高低，點云壓縮分為無損壓縮和有損壓縮。無損壓縮通過識別并消除統計冗余，使數據結構更加緊湊，解碼后的點云與原始點云相同，包括點的數量、各點關聯的屬性信息。這種方法為盡可能地保持原有數據的特征，使得壓縮性能較有限。有損壓縮通過量化刪除了非必要、視覺上無用的信息，從而減小了數據量，使得原始點云數據和解碼后的點云數據之間存在一些差異。這種方法使用了適當的率失真控制，因而在感知數據質量和比特率之間進行了平衡。

根據處理方法的不同，點云壓縮分為傳統壓縮方法和基于深度學習的壓縮方法。首先，傳統方法基于點云的結構劃分進行一系列的預測編碼去除了一部分冗余；然后，通過變換與量化將空間域的點云變換到頻域并壓縮變換系數；最后，經過熵編碼進一步壓縮得到比特流。這類方法在表示過程中仍然隱藏著大量的冗余信息，如重復的局部結構、形狀特征明顯的物體類別，期望在壓縮過程中利用此冗余信息來進一步降低比特率。深度學習方法通過卷積神經網絡將點云數據編碼為隱藏表示，再量化隱藏特征，基于學習熵模型和熵編碼將上下文輸入的情況下每個符號出現的概率壓縮并產生比特流，因而需要訓練大量的點云數據樣本以獲得編碼器端和解碼器端非線性變換。基于深度學習的點云壓縮方法可以更好地適應局部結構復雜性，因此具有作為未來基準編碼工具的潛力。

根據空間維度的特點，點云壓縮分為一維遍歷壓縮、二維映射壓縮和三維去相關壓縮，基于維度的劃分方法直接決定了點數據的訪問容易度，從而影響壓縮效率。首先，一維壓縮方法通過利用各點之間的距離鄰域關系來構建基于樹的連接；然后，順序遍歷生成樹各節點將幾何數據轉換為一維，適應預測的信號。這種方法提供了相對簡單的實現方式，但未完全考慮三維空間相關性使壓縮性能受到很大限制。二維壓縮方法將點云解釋為3D空間中的二維離散流形，通過映射、網格劃分和圖像編碼對點云進行編碼，這種壓縮方法涉及到映射過程，導致信息部分失真。三維壓縮方法采用穩定結構對點云所在的空間進行分解，再對該結構進行預測與變換以減少冗余，并對上述結果進一步編碼即可實現點云壓縮，這種方法考慮了點云的分布特性、獲取與應用，已成為壓縮方法的最主要研究方向。

根據信息類型的差異，點云壓縮分為幾何信息壓縮和屬性信息壓縮，其中后者通常涉及預處理，且需要與幾何信息建立對應關系。首先基于不同的數據結構對點云進行結構化處理，如樹、線元、面元和塊等；然后進行一系列的預測編碼、變換編碼、量化、熵編碼操作；最后獲得比特流。

1.2 幾何信息壓縮

點云幾何壓縮方法多基于樹結構或塊結構組織劃分點云，通過對結構化的點云進行描述與編碼，文獻［24］提出了一種基于八叉樹的幾何編碼方法，首先，在相鄰幀之間作異或運算；然后，用八叉樹編碼運算的結果。該方法既能取得較高的壓縮效率，也能有效降低編碼計算復雜度，是點云庫（PCL）中推薦的點云壓縮框架算法。文獻［50］利用二叉樹結構將無序點云劃分為子空間，通過旅行商算法預測各子空間內部的幾何信息，通過淺層神經網絡的無損壓縮算法PAQ完成預測殘差編碼。但是僅使用樹結構或塊結構的編碼方式壓縮未充分利用點云之間的空間相關性，導致大量冗余信息被編碼，大大限制了壓縮性能。

改進方法沿用樹結構或塊結構編碼近似值的核心思想，加入三角形表面模型［77］、平面表面模型［51， 70］或聚類算法［71］對層間預測和殘差計算進行指導。為了提高壓縮計算效率，文獻［69］提出了分層壓縮的概念，首先，利用八叉樹結構實現點云的粗粒度編碼和表達；然后，在加強層通過圖形傅里葉變換實現點云細節的壓縮和重建，是目前壓縮效率最高的點云幾何信息壓縮方法。此外，文獻［33］提出針對城市大場景的點云壓縮框架，首先，對整個點云中最大的平面進行迭代檢測；然后，使用Delaunay三角剖分法對平面進行分解；最后，對三角形以及平面的面積和點數進行編碼。

文獻［66］將幾何形狀隱式表示為符號距離函數的水平集，對近乎平坦的表面采用較少系數表示，為復雜的曲面保留更多系數，對基系數進行量化和熵編碼。

參考深度神經網絡在圖像和視頻壓縮方面取得的進展，從理論上講，可以在壓縮過程中利用基于超先驗引導與隱空間表達冗余信息來進一步降低比特率。文獻［75， 84］提出了基于深度學習的點云幾何壓縮方法，首先，利用神經網絡編碼器學習點云的高階隱含向量；然后，利用算數編碼、行程長度編碼等熵編碼方法對隱含向量進行編碼；最后，利用神經網絡解碼器重建三維點云。基于卷積神經網絡（CNN）已廣泛用于特征提取、目標檢測、圖像編碼等，文獻［86］提出CNN與自動編碼器結合的壓縮方法，能有效利用相鄰點之間的冗余，并表示出對數據編碼的適應性。為了提高隱含向量編碼的壓縮比，文獻［86］提出基于變分編碼器（VAE）的點云壓縮方法，通過學習隱含向量的超先驗，使得熵模型的編碼概率與隱含向量的邊緣概率更加吻合，從而減少算術編碼的內存消耗。

1.3 屬性信息壓縮

屬性壓縮以減少點云屬性之間的冗余為目的，主要依靠重建后的幾何信息來進行，首先，基于幾何信息在三維空間層次劃分；然后，在壓縮性能和保真度之間達到平衡，進行后續的預測、變換編碼。在壓縮時，根據實際需要選擇合適的預測、變換算法非常關鍵，學者們的研究方向大致分為兩類：基于信號處理技術，結合圖像視頻編碼技術對點云進行去相關操作；基于圖變換的思想，對點云數據進行分塊、分層來處理。

以信號處理為主導的點云屬性壓縮通常參考信號處理方法及圖像視頻編碼技術，以實現點云數據的預測編碼和變換編碼。文獻［37］基于視頻編碼中幀內預測的平面模式進行點云屬性編碼，首先，將點云空間劃分為基本單元塊；然后，沿著被預測塊的3個正交基方向尋找鄰接的單元塊，根據鄰接塊中點云的屬性結合最近鄰算法，得到被預測塊鄰接面上的屬性值；最后，借鑒planar模式求出被預測塊內各點的屬性預測值。文獻［41］在幾何編碼的前提下引入基于聯合圖像專家組的壓縮方法，首先，按照深度優先遍歷的順序將點云屬性值映射到結構化的網格上；然后，進行屬性預測編碼、離散余弦變換和熵編碼。

為了提升信號處理點云模型的壓縮性能，學者提出利用圖形學的方法，以進一步利用點云數據的相關性進行編碼。基于圖變換的研究內容包括空間劃分合理性和各子圖維度均勻性，文獻?［32］提出了基于圖變換（GT）的點云屬性壓縮方法，首先，通過樹結構對點云空間進行體素劃分，并利用體素的相鄰關系構造圖形拉普拉斯矩陣；然后，對拉普拉斯矩陣做特征值分解獲得圖變換矩陣GT，并利用GT對屬性冗余信息進行去相關性處理實現點云屬性壓縮。為了降低GT方法的復雜度，文獻［40］提出了一種區域自適應分層變換的壓縮算法，通過在子帶中對系數進行壓縮編碼取得與GT相當的峰值信噪比，同時顯著降低了計算復雜度。為了進一步探索點云屬性的統計特性，文獻［44］采用平穩高斯過程對點云屬性建模，顯著提高了點云屬性壓縮的性能。文獻［56-57］為了減小屬性預測的殘差，分別使用了K-均值聚類算法和均值漂移算法對點云數據進行聚類，由于在聚類時將屬性信息相似的點集中在一起，從而優化屬性預測的殘差大小，提高預測的準確性。

深度學習的快速發展帶動了數據壓縮方面技術的發展，且有部分表現效果在圖像和視頻壓縮方面遠超過傳統方法，為點云壓縮帶來極大的借鑒意義。文獻［92］提出了基于深度學習網絡的點云屬性方法，首先，將點云屬性映射到一個折疊的二維流形空間；然后，利用傳統的熵編碼算法進行壓縮；最后，利用神經網絡解碼器恢復三維點云。基于深度學習的點云屬性壓縮方法可以更好地適應局部幾何復雜性，因此具有作為未來基準編碼工具的潛力。

02 點云壓縮公開數據集

MPEG點云壓縮標準框架公布了3種通用的點云測試數據集［100］：用于表示靜態對象和場景的靜態點云，用于沉浸式視頻和VR應用的動態點云，用于自動駕駛與導航的動態獲取點云。所有的測試序列均可在MPEG的官方網站下載獲取。

對于靜態點云和動態點云，主要由微軟公司和8i公司，采用激光掃描儀、紅外線深度攝影機等手段獲取目標的幾何信息，多個傳感器或成像攝像機以每秒傳輸幀數30的速度獲取目標的屬性信息，包括捕獲顏色信息并計算立體深度。靜態點云和動態點云數據示意如圖 1所示。

圖 1 靜態點云和動態點云數據示意圖

對于動態獲取點云，采用安裝有慣性傳感器（IMU）、全球導航衛星系統（GNSS）、激光雷達和顏色空間RGB攝像機的移動式測繪系統。其中，GNSS和IMU用于確定車輛的實時位置，激光雷達用于捕獲目標的幾何信息，而顏色空間RGB攝像機則通過拍攝圖像或視頻序列獲得目標的屬性信息。通過多源數據融合、冗余點和離群點去除等預處理步驟，獲得的點云數據包括三維坐標代表的幾何信息以及與每個點相關聯的顏色、反射率等屬性信息，動態獲取點云數據見圖 2。

圖2 動態獲取點云數據示意圖

03 點云壓縮評價指標

壓縮效率和重建質量是點云壓縮算法性能評價的兩項重要指標。在壓縮效率方面，根據壓縮文件比特數進行衡量，針對點云數據通常使用存儲每個點所占的比特位數（BPP）來比較，BPP越低，壓縮效率越高。

在重建質量評價方面，采用點云在三維空間中的坐標（x，y，z）和顏色屬性（顏色RGB或空間YUV）及其他可選屬性來評價原始點云和解碼點云之間幾何位置或屬性表達的相似性。其中主觀評價主要指目視評價，客觀評價包括幾何信息評價和屬性信息評價。主觀評價主要采用點到點（C2C）獲得的峰值信噪對解碼點云的幾何質量進行評估［101］，客觀評價將原始點云的屬性值與解碼后的點云中最近點的屬性值進行比較，獲得對應的峰值信噪比［102］。

1）對稱均方根（root mean square，RMS）距離。以原始點云為參考，計算解碼點云基于幾何距離的平均距離誤差的最大值：

式中，和分別表示原始點云和解碼點云；和分別表示原始點云和對應的最鄰近解碼點云；是原始點云中的點數；||?||表示兩個值之間的歐氏距離；為最近點之間的平均距離。針對原始點云中所有點計算，也針對對應解碼點云中所有點計算，因此有必要計算對稱距離。

2） 對稱Hausdorff距離。表示要評估的兩個互為鄰域的點云之間最大的幾何距離：

3） 幾何信息峰值信噪比（PSNR）。以原始點云作參考，考慮了原始點云的邊界框最大寬度和對稱均方根距離，計算基于幾何形狀的位置偏差：

式中，為原始點云邊界框的最大寬度；為幾何信息峰值信噪比。越大，壓縮失真越小。此外，幾何信息評價也會用到點到表面（C2S）質量評估指標和點到平面（C2P）質量評估指標，前者通過考慮與原始點云關聯的一些參考曲面來評估解碼后的點云質量，后者通過考慮與原始點云關聯的一些參考曲面來評估解碼后的點云質量。C2S和C2P質量評估指標均考慮到被比較的點對相關聯表面的相關性，主要缺點是它們取決于所使用的特定表面重構算法。

4） 屬性信息峰值信噪比。以顏色為例，將原始點云的每個顏色分量與解碼后的云中最近點的顏色進行比較，從而得出YUV顏色空間中每個分量的峰值信噪比：

式中，默認采用8位顏色表示，式（4）使用255作為峰值信號；表示原始云和解碼后的云之間在平均顏色誤差方面的差異；變量是每個點的亮度值；屬性信息峰值信噪比越大，壓縮失真越小。

圖像壓縮質量評價會用到信息保真度準則（IFC）［103］、視覺信息保真度（VIF）［104］和結構相似性（SSIM）［105］作為評估指標，其中IFC和VIF在信息保真度上引入了圖像與人眼之間的聯系，SSIM則從綜合亮度、對比度和結構3方面評估解壓縮后圖像的失真情況，是符合人眼視覺系統特性的客觀評判標準。

04 點云壓縮基準算法性能測試

4.1 實驗數據

為了測試PCL、MPEG、Draco這3種開源點云壓縮算法的性能，本實驗在MPEG提供的點云測試序列中選擇了4個具有顏色屬性的單幀點云模型進行測試，包括：安德魯（http://plenodb.jpeg.org/pc/microsoft）、士兵、紅黑裙子女士和長裙子女士（http://plenodb.jpeg.org/pc/8ilabs），所選模型均以.ply文件格式存儲。圖 3展示了所用的部分測試序列，不同的模型具有不同的采集特點和表面特征。點云數據具有平滑的表面和均勻的區域，沒有明顯的孔區域。

圖 3 MPEG單幀點云測試序列示意圖

4.2 基準算法介紹

目前國內外開源的點云壓縮算法主要包括PCL庫中基于八叉樹的點云壓縮框架［55］、Chrome Media團隊的Draco開源3D圖形壓縮庫［107］及MPEG提出的G-PCC點云壓縮平臺［68］。

4.2.1 PCL點云壓縮框架

PCL庫提供了點云壓縮方案，它允許對所有文件格式的點云進行壓縮編碼。如圖 4所示，PCL壓縮過程包括讀取、采樣、編碼、解碼、存儲等。首先，方法使用八叉樹數據結構在空間上劃分點云來進行初始化；其次，對單位塊之間的數據進行相關性分析，通過二進制流對該結構進行序列化；然后，使用點位置編碼來編碼點的附加信息，如顏色、法線等；最后，采用熵編碼進行進一步壓縮獲得比特流。

圖4 PCL靜態點云編碼流程

4.2.2 Draco點云壓縮框架

Google的Chrome Media團隊于2017-01發布了Draco開源壓縮庫，旨在改善三維圖形的存儲和傳輸。Draco為兩種格式的數據提供壓縮方案，只包含頂點信息的.ply文件格式和包含頂點信息及面信息的.obj文件格式。其中，頂點信息指該點的物體坐標、法線向量、紋理坐標等；面信息指的是由頂點圍成面，即一系列頂點索引的集合，包括各頂點及連接信息、紋理坐標、顏色信息、法線和其他與幾何相關的任何通用屬性。

如圖 5所示，Draco整體思路是網格的連接信息和頂點的幾何屬性信息分別進行編碼，針對面信息采用Edge Breaker算法壓縮連接信息［106］，對于各頂點的基本信息寫入緩沖區，其中幾何信息采用K維樹結構組織并序列化，屬性信息采用平行四邊形差分方式壓縮。對頂點的幾何信息、屬性信息及面信息進行預測編碼、變換編碼、量化、熵編碼，其中熵編碼采用非對稱數字系統的范圍變體（rANS）算法［107］。

4.2.3 G-PCC點云壓縮框架

MPEG于2019年提出了G-PCC標準框架，該方法分為幾何壓縮和屬性壓縮兩部分，其中，屬性壓縮是要依靠重建后的幾何信息來進行，因此基于G-PCC框架的點云壓縮是首先進行幾何壓縮，包括坐標變換、體素化、基于八叉樹的幾何結構分析，以及對所得結構進行算術編碼；然后進行屬性壓縮，包括區域自適應層次轉換、預測轉換和提升轉換。如圖 6所示，G-PCC壓縮涉及3部分操作：預處理、幾何壓縮和屬性壓縮。

圖6 G-PCC點云編碼流程

4.3 性能比較與分析

本文實驗采用MPEG中的4個具有顏色屬性的靜態點云測試序列，采用2.20 GHz、i7-8750 ?CPU以及8GB RAM的筆記本電腦，分別實現PCL庫、Draco 3D圖形庫以及G-PCC平臺的靜態點云壓縮方法。

1） 本文嘗試對MPEG提供的點云測試序列進行無損壓縮，即不對幾何信息和屬性信息進行近似或量化，具體表現為：

（1）在PCL壓縮中選擇細節編碼模式，且不對屬性信息進行量化；

（2）在G-PCC壓縮模式選擇Octree-Predictive模式，將參數設置為Lossless Geometry?–?Lossless Attributes默認值；

（3）在Draco壓縮中選擇最高壓縮等級和不進行量化壓縮模式。采用耗時、各點所占比特位數作為編碼性能的衡量指標，得到的分析結果如表 2。

安德魯可視化結果如圖 7。

表2 3種點云無損壓縮算法的性能比較

圖7 無損壓縮重建點云的主觀比較圖

2） 為了測試3種開源方法在不同幾何信息有損條件下的性能，本文嘗試對PCL、G-PCC和Draco方法在相似的比特率范圍內進行實驗，表現為：

（1）在PCL壓縮中不進行細節編碼且不對屬性信息進行量化，將八叉樹分辨率參數設置為2~16；

（2）在G-PCC壓縮模式中選擇Octree-Predictive模式，將位置量化比例設置為0.5~0.05，將其他參數設為默認值；

（3）在Draco中坐標量化保留位數設置為8~14。

得到點云測試序列在幾何形狀與位置的率失真性能曲線結果如圖 8所示，其橫軸表征點云數據平均每點幾何信息編碼的碼率，縱軸表征各點云壓縮的幾何峰值信噪比。

圖8 點云在幾何有損壓縮后的速率失真曲線

3） 為了測試3種開源方法在不同屬性信息有損條件下的性能，本文嘗試對PCL、G-PCC和Draco方法在相似的比特率范圍內進行實驗。

1） 在PCL壓縮中進行細節編碼，將屬性量化保留位數設置為3~6。

2） 在G-PCC壓縮模式中選擇Octree-Predictive模式，將量化步長設置為10~40，將其他參數設置為默認值。

3） 在Draco中屬性量化保留位數設置為3~6。

得到點云測試序列在Y通道下率失真性能曲線的結果如圖 9所示，其橫軸表征點云數據平均每點屬性信息編碼的碼率，縱軸表征各點云壓縮的屬性峰值信噪比。

圖9 點云在屬性有損壓縮后的速率失真曲線

由實驗結果得出如下結論：從壓縮效率來看，在3種實驗條件下G-PCC表現出明顯優勢，在有損壓縮條件下壓縮效率Draco較PCL高，而在無損壓縮條件下PCL比Draco更優；從信息失真情況來看，G-PCC和Draco在不同有損壓縮的條件下也能夠保持一定的重建精度，它們在幾何信息和屬性信息方面表現出的保真性能較PCL更好；從壓縮、解壓縮耗時來看，Draco均優于另外兩種壓縮方法，PCL次之，而G-PCC有較大的提升空間。

綜上所述，G-PCC點云壓縮方法擁有更優越的率失真性能，而相比G-PCC點云壓縮而言，Draco的壓縮效率比較低，但是壓縮、解壓速度方面更占優勢。由此可見，G-PCC和Draco能為不同任務提供具有競爭力的解決方案，以滿足各種應用要求，其中G-PCC更適合用在存儲空間有限且高保真度要求的情況下，Draco更能應對實時性要求高的任務。

05 點云壓縮展望

在三維采集技術、傳感器技術及計算機處理技術綜合化、多樣化的背景下，點云數據獲取的效率與質量逐步提高，采集的成本不斷降低，得以對三維場景進行精細數字化，從而廣泛應用于增強現實、遠程通信、智能交通、數字地球等新興產業。一方面，點云數據容量呈指數級增加；另一方面，點云的非結構化、密度不均以及真實場景中目標實體間的相似性等現象使得點云大數據的存儲管理、計算分析等面臨更大的挑戰，推動點云壓縮編碼算法的改進和創新。

針對點云壓縮過程中存在計算復雜度高、無法精細刻畫數據分布、難以利用場景先驗信息做針對性壓縮、重建點云存在細節丟失和全局形變等問題，未來有以下幾種發展趨勢：

（1）顧及特征同質與信息均衡的點云超體素生成方法，在特征同質與信息均衡的損失函數約束下，完成點云等信息熵的超體素劃分，并以此代替等尺寸的單位體素作為點云壓縮的基本單元，既提高點云壓縮的效率，又降低點云壓縮的失真率。

（2）創建基于局部細節差分和全局相似性約束的漸進式點云壓縮方法，針對點云的空間分布情況，自適應劃分點云空間域，通過不同分辨率的層次結構提高細節重構能力，有效降低解碼后的數據失真率。

（3）發展融合超先驗引導與稀疏編碼的點云隱含空間表達方法，利用高維空間隱含向量的稀疏編碼表達點云，并利用超先驗知識指導點云編碼過程，使得熵模型的編碼概率與隱含向量的邊緣概率更加吻合，從而減少算術編碼的內存消耗，以此提升數據壓縮比。

（4）創建基于空間連續函數的點云表達與壓縮方法，對點云的幾何和屬性信息采用合適的體積函數進行表達，并對其進行量化和熵編碼，從而充分結合點云數據的幾何信息和屬性信息，實現兼顧點云幾何和屬性的聯合壓縮。

（5）提出更加合理的點云質量評價指標，計算點云壓縮產生的幾何信息和屬性信息損耗，既能從主觀上評價壓縮對點云可視化效果的影響，也能從客觀角度反映壓縮對下游任務（如場景理解、模型重建等）的影響。

（6）豐富點云壓縮測試數據集（如手持式、地面基站、車載測量系統、無人機測量系統等），完善點云壓縮算法在沉浸式遠程實時通信、交互式VR、文化遺產展示與修復、動態地圖與智能交通等科學與工程研究等案例的應用研究。

（7）改進預測編碼、變換編碼及熵編碼技術方案，合理選擇量化參數和碼率控制模式，從而實現率失真優化的點云壓縮標準框架，有效填補國標和行標的空白。

（8）點云深度學習方法和理論仍處于發展階段，如何應對小規模數據集和點云的非結構化性質、提高網絡的卷積效率、解耦高低頻信息等也是點云數據壓縮的未來發展方向。

在可預見的未來，在人工智能、云計算、5G通訊等技術的支撐下，相信點云壓縮不但可以保證高壓縮比和低失真率，還可以結合GPU并行計算能力加速點的選取，使得高效、實時地渲染和傳輸密集點云成為可能，從而為測繪應用、地球科學研究、智慧城市、數字地球、AR/VR等提供更有力的數據支撐。

06 結語

三維成像技術的迅速發展，使得快速生成高精度、高密度的點云模型成為可能，為有限的存儲空間和傳輸帶寬帶來巨大壓力，學術界和工業界對標準點云壓縮編碼方案的需求與日俱增。

如何在保證低失真率、高壓縮比的情況下，提升點云壓縮編碼的效率，成為當前點云模型壓縮編碼的研究目標。

本文圍繞點云壓縮的核心，重點對國內外點云壓縮算法的研究工作進行總結與說明，并在常用的測試數據上對3種開源點云壓縮框架進行比較分析，對點云壓縮的重要發展方向予以展望。

審核編輯 ：李倩