来源：期刊VIP网 时间：
作者：王楷元;方志军;
单位：上海工程技术大学电子电气工程学院;
摘要：随着无线电传感技术与激光数字采集技术的快速发展，3D点云数据在多个领域得到广泛应用。然而，点云数据规模庞大、冗余度高，给其应用带来巨大挑战，业界亟需高效的点云几何有损编码算法。传统点云几何有损编码算法效率较低、编码性能较差，而基于深度学习的点云几何编码算法多数采用自编码器(AutoEncoder, AE)神经网络架构，存在一定程度的特征信息丢失问题。此外，近年研究多数聚焦于熵编码阶段的改进，却忽视对点云几何空间与其潜在特征空间转换的优化。针对以上问题，提出一种基于可逆神经网络(Invertible Neural Network, INN)的点云几何有损编码算法，其采用具有数学上严格可逆属性的INN进行点云几何信息的特征提取，避免编码过程中的信息丢失，保证解码过程中重建点云的稳定性。设计3D-Dense-Block与通道紧缩模块，用于强化特征信息、增加算法网络的非线性表达能力，同时避免训练中次优解的出现。实验结果表明，该算法在点云编码公开数据集——微软公司上半身体素化点云集(Microsoft Voxelized Upper Bodies, MVUB)和运动图像专家组织(Moving Picture Experts Group, MPEG)8i数据集上实现了优于MPEG基准算法的率失真性能。
关键词：无线电传感技术;;点云数据;;点云有损编码;;可逆神经网络
基金资助：国家自然科学基金(61831018)~~
