基于约束最优传输的点云压缩

该论文介绍了一种新颖的点云压缩方法 COT-PCC，通过将任务作为约束最优传输（COT）问题进行建模，COT-PCC 利用压缩特征的比特率作为最优传输（OT）的额外约束，学习原始和重构点之间的分布转换。具体而言，通过生成对抗网络（GAN）和比特率损失对 COT 进行实现，鉴别器测量输入和重构点之间的 Wasserstein 距离，并且生成器计算输入和重构点云分布之间的最优映射。此外，论文还引入了可学习的采样模块用于压缩过程中的下采样。在稀疏和密集点云数据集上进行的大量实验结果表明，COT-PCC 在 CD 和 PSNR 指标方面优于现有最先进方法。源代码可在 https://github.com/cognaclee/PCC-COT 获得。

该论文介绍了一种新颖的点云压缩方法COT-PCC，通过将任务作为约束最优传输（COT）问题进行建模，COT-PCC利用压缩特征的比特率作为最优传输（OT）的额外约束，学习原始和重构点之间的分布转换。实验结果表明，COT-PCC在CD和PSNR指标方面优于现有最先进方法。