摘要: 现有基于深度学习的点云压缩方法需要训练多个网络, 耗费大量的时间和空间资源. 针对此缺陷, 提出了一种基于通道增益的可变比特率点云压缩网络模型. 首先, 网络的编码端利用层次化结构, 在每个层级提取点云特征和应用偏移注意力机制, 有效地捕捉输入点云的关键特征信息; 其次, 引入增益单元用于评估和缩放各个隐向量通道的重要度, 消除向量通道间的信息冗余, 仅需训练单个网络, 实现可变比特率压缩; 然后, 为了预测特征向量的概率分布, 对特征向量进行超先验编码, 构造高斯熵模型, 通过熵编码进一步降低编码量; 最后, 解码端采用子点卷积进行上采样重构原始点云, 避免顶点的局部聚集, 提高点云的重构质量. 对于ShapeNet数据集, 以率失真曲线的BD-rate作为性能评价指标, 本文方法与VRR和Draco方法相比, 平均比特率分别降低了48.66%和63.56%. 实验结果表明, 与现有方法比较, 压缩性能得到了显著提升.