基于层间残差与IRN级联残差融合的点云几何压缩方法研究

为解决点云数据在传输与存储中面临的巨大挑战，研究人员提出了一种结合层间残差与Inception ResNet-Concatenated Residual Module（IRN-CRM）的点云压缩框架。通过设计D-U Residual模块减少下采样误差，并引入Attention Module（AM）增强特征聚焦能力。实验表明，该方法在8iVFB和Owlii数据集上相比G-PCC和PCGC v2分别实现70%-90%和6%-9%的BD-Rate增益，显著提升了压缩效率与重建精度。

　　

随着自动驾驶、VR/AR等技术的快速发展，点云（Point Cloud）作为三维物体的精确表征形式，其数据量呈指数级增长。然而，海量的几何信息与渲染属性使得点云在传输和存储时面临巨大挑战。传统压缩方法如G-PCC（Geometry-based Point Cloud Compression）和V-PCC（Video-based Point Cloud Compression）虽各具优势，但分别存在处理稀疏数据效率低、投影失真等问题。深度学习虽能平衡压缩率与质量，但传统体素化方法因空体素计算导致资源浪费。如何兼顾效率与精度，成为当前研究的核心难题。

针对这一问题，研究人员提出了一种创新性框架，通过融合层间残差与IRN级联残差模块（Inception ResNet-Concatenated Residual Module, IRN-CRM），显著提升了稀疏点云的压缩性能。该研究发表于《Graphical Models》，其核心突破在于：首先，设计D-U Residual模块，通过上采样恢复下采样丢失的细节，利用残差约束量化误差；其次，构建IRN-CRM模块，结合多尺度卷积核提取全局与局部特征；最后，在解码端引入注意力模块（Attention Module, AM）强化关键特征聚焦。实验采用ShapeNet数据集训练，并在8iVFB和Owlii数据集验证，结合稀疏卷积（Sparse Convolution）与八叉树编码（Octree）技术，量化阶段通过添加均匀噪声解决非可微问题，熵模型则采用拉普拉斯分布近似概率密度函数。

研究结果

1. 框架设计：整体架构包含IRN-CRM、AM和D-U Residual模块。如图1所示，IRN-CRM通过堆叠残差连接保持层间相关性，而D-U Residual模块（图2）通过几何减操作计算残差Res_d，显著降低下采样误差。
2. 量化与熵编码：量化过程通过添加均匀噪声μ∈(-1/2,1/2)实现连续数据离散化（公式1），熵模型则利用超先验c建模特征尺度变化（公式2）。
3. 损失函数优化：联合率失真优化函数J=R+λD+αL_res（公式3），其中残差损失L_res通过Sigmoid激活的坐标差平方和计算（公式5）。
4. 性能对比：在8iVFB数据集上，相比G-PCC（octree）和PCGC v2，平均BD-Rate增益分别达96%和6%，D2 PSNR提升0.37 dB。主观对比（图6-7）显示，士兵模型腰带和鞋跟等细节重建更完整，颜色误差图中绿色区域显著减少。
5. 消融实验：移除IRN-CRM或D-U Residual模块分别导致BD-Rate下降5%和3%，验证了模块的必要性（表3-4）。

结论与意义
该研究通过融合残差约束与多尺度特征提取，实现了稀疏点云的高效压缩。其创新点在于：1）D-U Residual模块通过双向采样减少几何信息损失；2）IRN-CRM利用空间相关性提升特征利用率；3）AM模块增强了解码端对显著特征的感知能力。实验证明，该方法在低码率下仍能保持轮廓完整性，为自动驾驶、数字孪生等场景提供了技术支撑。未来工作可进一步优化内部结构处理，以适应更复杂的LiDAR数据应用需求。

（注：全文解读严格基于原文，未添加非文献内容；专业术语如IRN-CRM、BD-Rate等首次出现时均标注英文全称；数学符号如Res_d、L_res等保留原文下标格式；图表引用改为文字描述。）