本研究提出了一种去噪扩散概率模型（DDPM-PCC），用于低比特率点云压缩。该模型通过PointNet编码器生成条件向量，并利用可学习向量量化器进行量化，显著提高了比特率-失真性能，优于现有技术。

该研究提出了UniPCGC框架，有效解决了点云压缩中的高复杂性和有限压缩模式问题。与现有方法相比，UniPCGC在无损压缩上提升了8.1%，有损压缩提升了14.02%，为实际应用提供了更好的支持。

本研究提出了一种稀疏先验引导的方法，有效解决点云压缩中的表示冗余问题，显著提升高压缩比下的重建质量，优于现有技术。

本文介绍了一种基于多尺度自动编码器的点云压缩方法，利用稀疏性进行分层重建，显著提高了压缩率和编码速度。该方法在多个数据集上表现优异，优于现有技术。

本文提出了一种改进的点云几何压缩方法，利用上下文特征残差和多层感知分支，显著提升了压缩性能。通过对八叉树和体素模型的验证，证明了该方法在点云分类和抗噪处理方面的效率和准确性。

该研究提出了一种基于几何的超分辨率方法，以提高点云几何压缩效率。通过构建分层先验，实现了更准确的编码和解码，减少了位数消耗。同时，研究介绍了多尺度自动编码器和基于神经网络的压缩方法，显著提升了压缩率和视觉效果。此外，提出的新点云质量评估方法优于现有技术。

本文介绍了一种基于多尺度自动编码器的点云压缩方法，利用稀疏特性实现高效的无损和有损压缩。该方法在多个数据集上表现优越，显著提高了压缩率和编码速度，相较于现有标准如MPEG G-PCC，节省了大量数据。

本文提出了一种基于球坐标系的学习式点云压缩（SCP）的模型无关方法，利用点云中的圆形和方位角不变性特征，采用多级八叉树减小重建误差。实验结果表明，SCP 在点对点 PSNR BD-Rate 方面超过了先前的最先进方法，提高了 29.14%。