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。

本研究提出了一种新的点云压缩方法Diff-PCC，通过双空间潜在表示和扩散生成器实现高质量重建。实验结果显示其在超低比特率下具有领先的压缩性能和优越的主观质量。

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。

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%。