一项由中国科学院、同济大学和宁波大学联合团队开发的创新点云压缩技术（TSC-PCAC）取得重大突破。这项技术不仅大幅提升了点云数据的压缩效率，还显著降低了处理时间，为AR/VR等3D应用的发展扫清了技术障碍。
在当前3D视觉技术快速发展的背景下，点云作为虚拟现实和增强现实的关键数据形式，面临着巨大的传输和存储挑战。一个高质量的点云可能包含数百万个数据点，每个点都携带着位置、颜色、透明度等多维信息。这些海量数据的处理效率直接影响着3D应用的普及速度。
针对这一难题，研究团队开发了一种基于端到端体素Transformer和稀疏卷积的点云属性压缩技术（TSC-PCAC）。这项技术的核心在于其独特的两阶段压缩架构:第一阶段专注于点云局部特征的提取和建模，第二阶段则通过更大的感受野来捕捉全局特征，有效降低了数据冗余。
研究团队还创新性地设计了基于TSCM的信道上下文模块，通过优化信道间的相关性，显著提升了数据压缩效率。实验数据显示，与现有主流技术相比，TSC-PCAC在数据压缩率上实现了显著提升:相比Sparse-PCAC提升了38.53%，相比NF-PCAC提升了21.30%，相比G-PCC v23提升了11.19%。更令人瞩目的是，其处理速度也获得了质的飞跃，编码和解码时间分别减少了97.68%和98.78%。
这项突破性成果不仅解决了点云数据处理中的关键痛点，更为AR/VR等3D应用的进一步发展奠定了重要基础。研究团队表示，未来将继续探索更高压缩比的深度网络技术，并致力于几何和属性编码的统一处理方案。
论文地址：https://arxiv.org/html/2407.04284v1
