Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds
https://arxiv.org/abs/1905.03691
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds Sampling layer
在G-PCC中，基于八叉树的几何编码根据量化尺度来控制有损几何压缩，设输入点云为：
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds G-PCC编码器的量化计算如下：
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds 其中和是用户人工定义的参数。
量化后，将有许多重复点共享相同的量化位置。一种常见的方法是合并这些重复的点，这样可以减少输入点云中的点数。
受G-PCC的启发，这篇文章将点云进行下采样后输再输入编码器。输入点，被最远点采样（FPS）得到子集，其中是距离已采样点集最远的点。与随机采样相比，FPS采样得到的点集的密度更均匀，更能保持原始对象的形状特征。
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds Encoder and Decoder
编码器使用PointNet：
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds 解码器使用全连接网络：
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds Quantization
用加性均匀噪声代替量化：
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds Rate-distortion Loss
率： Factorized Entropy Model
失真：Chamfer distance
结果
数据集：ShapeNet
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds 
