非一致性稀疏采樣的LiDAR點(diǎn)云壓縮方法

陳元相， 陳建， 鄭明魁， 陳志峰

(福州大學(xué)物理與信息工程學(xué)院， 福建 福州 350108)

0 引言

隨著3D感知和獲取技術(shù)的進(jìn)步， 虛擬現(xiàn)實(shí)(virtual reality， VR)/增強(qiáng)現(xiàn)實(shí)(augmented reality， AR)/混合現(xiàn)實(shí)(mixed reality， MR)、 移動地圖、 文物掃描、 智慧城市、 機(jī)器人和自動駕駛等新興智能產(chǎn)業(yè)飛速發(fā)展， 3D點(diǎn)云已經(jīng)成為這些產(chǎn)業(yè)中一種流行的數(shù)據(jù)存儲和傳輸?shù)母袷? 在智能駕駛和移動機(jī)器人領(lǐng)域， 3D 激光雷達(dá)(light detection and ranging， LiDAR)傳感器作為關(guān)鍵的點(diǎn)云采集設(shè)備， 對于真實(shí)環(huán)境的數(shù)字感知， 以及在定位、 路徑規(guī)劃[1]和障礙物檢測[2]等應(yīng)用中起著至關(guān)重要的作用. 存儲和共享LiDAR點(diǎn)云是智能交通及車路協(xié)同系統(tǒng)的必然要求. 然而， 在實(shí)際應(yīng)用中， 點(diǎn)云數(shù)據(jù)面臨著與2D應(yīng)用相同的帶寬、 存儲和壓縮限制， 以及相似的質(zhì)量水平期望， 3D技術(shù)所需處理的點(diǎn)云數(shù)據(jù)量通常比相似分辨率的2D媒體應(yīng)用至少高一個數(shù)量級. 因而， 研究高效的點(diǎn)云壓縮(point cloud compression, PCC)解決方案對于自動駕駛、 高級輔助駕駛等相關(guān)的產(chǎn)業(yè)具有重要的科學(xué)意義.

本文關(guān)注于單幀LiDAR點(diǎn)云壓縮問題， 因?yàn)長iDAR點(diǎn)云序列的基本組成是單幀點(diǎn)云， 在點(diǎn)云后續(xù)的幀間預(yù)測中， 為了有效利用鄰近幀之間的時域相關(guān)性， 使用先前已經(jīng)編碼的重建幀作為參考幀(關(guān)鍵幀)，對后續(xù)的編碼幀進(jìn)行預(yù)測. 對關(guān)鍵幀的壓縮是幀間預(yù)測基本前提， 高性能的單幀壓縮方案不僅可以為后續(xù)幀提供高質(zhì)量的參考幀， 提高幀間預(yù)測準(zhǔn)確度， 而且可以提升點(diǎn)云序列壓縮率與性能. 單幀壓縮是點(diǎn)云序列壓縮的重要組成部分， 為此本文提出一種新穎的高效有損壓縮方法. 該方法通過將LiDAR點(diǎn)云分割為地面和非地面點(diǎn)云， 對兩部分點(diǎn)云區(qū)別對待， 采用不同程度的稀疏采樣去冗余處理， 并通過坐標(biāo)轉(zhuǎn)換將點(diǎn)云從笛卡爾坐標(biāo)轉(zhuǎn)為球坐標(biāo)， 之后映射為二維矩陣的距離圖像. 為了增加相鄰像素的相關(guān)性， 通過Morton碼對距離圖像進(jìn)行更為緊湊的表示， 最終利用經(jīng)典圖像編碼算法完成進(jìn)一步壓縮.

1 相關(guān)工作

近年來， 3D點(diǎn)云壓縮受到了廣泛的關(guān)注， 越來越多的學(xué)者致力于點(diǎn)云壓縮的研究工作中， 并發(fā)表了許多相關(guān)論文[3-14]. 根據(jù)點(diǎn)云數(shù)據(jù)處理格式的不同， 壓縮算法可以大致分為兩類.

利用樹結(jié)構(gòu)是直接壓縮點(diǎn)云的主流壓縮方式. 八叉樹是用于對3D點(diǎn)云進(jìn)行空間劃分的流行數(shù)據(jù)結(jié)構(gòu). 這是視頻編碼中四叉樹的3D擴(kuò)展[3]. Mekuria等[4]通過對占據(jù)碼進(jìn)行熵編碼來壓縮八叉樹中的幾何結(jié)構(gòu)； 將顏色映射到2D網(wǎng)格后， 對顏色屬性進(jìn)行圖像壓縮； 同時， 使用迭代最近點(diǎn)算法來計(jì)算連續(xù)幀中兼容宏塊之間的剛性變換進(jìn)行幀間預(yù)測. 此方法可以作為點(diǎn)云壓縮的通用框架. 后續(xù)研究繼續(xù)針對3D點(diǎn)云的幀內(nèi)和幀間壓縮展開. Ainala等[5]使用增強(qiáng)層改進(jìn)單幀點(diǎn)云壓縮框架. 在固定八叉樹深度之后， 切換到使用平面投影近似法的新圖層， 對更高層次的細(xì)節(jié)編碼， 提高壓縮性能和運(yùn)行速度. Subramanyam等[3]在之前的通用點(diǎn)云壓縮框架[6]基礎(chǔ)上對增強(qiáng)層在幀間預(yù)測進(jìn)行擴(kuò)展， 通過使用PCL中的雙緩沖八叉樹結(jié)構(gòu)執(zhí)行幀間預(yù)測. 在八叉樹的基礎(chǔ)上， 與新穎的基于圖的變換方法相結(jié)合， 針對靜態(tài)點(diǎn)云幾何文獻(xiàn)[7]將點(diǎn)云編碼為基礎(chǔ)層和增強(qiáng)層， 對基礎(chǔ)層使用基于八叉樹的方法， 對增強(qiáng)層利用了層間預(yù)測和基于圖的變換， 最后對殘差和變換系數(shù)進(jìn)行轉(zhuǎn)換和編碼. 運(yùn)動圖像專家組(MPEG)開發(fā)的G-PCC[8]也是通過利用基于八叉樹的編碼策略來壓縮點(diǎn)云幾何信息， 是目前最先進(jìn)的基于幾何的點(diǎn)云編解碼器， 主要針對靜態(tài)和動態(tài)捕獲點(diǎn)云.

另一類方法通過將3D點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為2D格式進(jìn)行壓縮， 這種壓縮方法并未利用點(diǎn)云的3D特性. 通過將點(diǎn)云映射到全景圖， Houshiar等[9]提出基于傳統(tǒng)圖像壓縮的3D點(diǎn)云壓縮方案. Tu等[10]將LiDAR數(shù)據(jù)無損轉(zhuǎn)換為距離圖像， 然后使用標(biāo)準(zhǔn)圖像或視頻編碼技術(shù)來減少數(shù)據(jù)量. 針對距離圖像序列， 他們基于同步定位與建圖(simultaneous localization and mapping， SLAM)思想， 及結(jié)合點(diǎn)云的3D特性以及車輛的位置和方向信息， 將I幀通過運(yùn)動估計(jì)來預(yù)測B幀[11]， 以有效提升壓縮性能. 在轉(zhuǎn)為2D格式的基礎(chǔ)上， 借助由數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法的強(qiáng)大特征學(xué)習(xí)能力， Tu等[12]使用循環(huán)神經(jīng)網(wǎng)絡(luò)和殘差塊構(gòu)建編碼網(wǎng)絡(luò)、 二值化器和解碼網(wǎng)絡(luò)組成壓縮網(wǎng)絡(luò)從3D LiDAR逐步壓縮一幀點(diǎn)云數(shù)據(jù). 為了有效地壓縮動態(tài)點(diǎn)云數(shù)據(jù)， 減少空間和時間冗余， Tu等[13]在之前將3D點(diǎn)云信息無損存儲在2D矩陣中的基礎(chǔ)上， 使用U-net的實(shí)時流點(diǎn)云數(shù)據(jù)壓縮方法， 將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為類似視頻的格式. 通過將一部分幀指定為參考幀， 使用U-net計(jì)算光流， 對參考幀中間的點(diǎn)云幀進(jìn)行插值， 有效減少了時間冗余， 達(dá)到更高的壓縮率. Sun等[14]對距離圖像執(zhí)行聚類操作將3D距離數(shù)據(jù)分割為不同的對象， 基于分割結(jié)果的距離圖像預(yù)測并編碼輪廓圖與殘差， 合理利用點(diǎn)云數(shù)據(jù)的空間結(jié)構(gòu)并消除了空間冗余.

上述方法可以顯著減小點(diǎn)云數(shù)據(jù)的大小， 并且能夠用于某些特定應(yīng)用. 但是， 它們中很少是專門為LiDAR點(diǎn)云數(shù)據(jù)特性而設(shè)計(jì)的， 對LiDAR點(diǎn)云進(jìn)行壓縮的效率較低. 本文借鑒上述編碼技術(shù)中的3D轉(zhuǎn)2D、 占據(jù)碼等思想， 將用于機(jī)載航拍點(diǎn)云的漸進(jìn)式形態(tài)濾波器[19]應(yīng)用于車載LiDAR點(diǎn)云地面與非地面分割， 結(jié)合地面與非地面區(qū)別壓縮、 Morton排序等的思想， 提出一種針對單幀LiDAR點(diǎn)云的新穎編碼方案. 首先對分割后的地面和非地面點(diǎn)云采取不同強(qiáng)度采樣策略， 其次， 在3D轉(zhuǎn)換為距離圖的基礎(chǔ)上， 采用占據(jù)圖和Morton排序方案進(jìn)行降維處理， 最后結(jié)合圖像編碼進(jìn)行進(jìn)一步壓縮. 本文的方法可以在很大程度上消除點(diǎn)云空間冗余且有較高的壓縮性能.

2 點(diǎn)云壓縮方案

在本節(jié)中， 提出單幀LiDAR點(diǎn)云混合編碼/解碼框架. 編碼端： 輸入的LiDAR點(diǎn)云由漸進(jìn)形態(tài)學(xué)濾波器分割為非地面點(diǎn)云和地面點(diǎn)云兩部分. 其次， 分割點(diǎn)云經(jīng)非一致性稀疏采樣， 對地面點(diǎn)云采用較大間隔進(jìn)行采樣， 對非地面點(diǎn)使用小間隔進(jìn)行采樣， 然后由坐標(biāo)轉(zhuǎn)換及映射將3D的數(shù)據(jù)轉(zhuǎn)為2D距離圖形式， 大幅度降低了數(shù)據(jù)冗余. 再則， 距離圖的空像素與非空像素的分布借助1 bit深度的占據(jù)圖進(jìn)行表示， 距離圖經(jīng)其占據(jù)圖Morton排序表示為緊湊的16 bit深度的向量. 最后， 將距離向量及占據(jù)圖壓縮為JPEG、 PNG碼流， 實(shí)現(xiàn)進(jìn)一步壓縮. 解碼端： 解碼為編碼的逆過程. 圖1給出該方法的編碼流程圖， 其中平行四邊形代表數(shù)據(jù)， 矩形代表處理步驟.

圖1 LiDAR點(diǎn)云壓縮編碼框架圖Fig.1 LiDAR point cloud compression coding framework

2.1 基于漸進(jìn)式形態(tài)濾波器的LiDAR點(diǎn)云分割

圖2 車載LiDAR捕獲點(diǎn)云示意圖Fig.2 Schematic diagram of point cloud captured by vehicle-mounted LiDAR

車載LiDAR點(diǎn)云的采集過程如圖2所示， 以Velodyne HDL-64E為例， LiDAR固定于車上方并做360°旋轉(zhuǎn)， 對26.8°垂直領(lǐng)域內(nèi)的環(huán)境進(jìn)行掃描， 如此采集得到一幀點(diǎn)云. 基于此過程以及LiDAR的結(jié)構(gòu)， LiDAR發(fā)射的探測信號大多數(shù)由地面反射回來并被接收器所接收. 實(shí)驗(yàn)統(tǒng)計(jì)， 在一幀點(diǎn)云中地面點(diǎn)占比超過50%， 而密集的地面點(diǎn)云在自動駕駛中提供的信息有限. 路徑規(guī)劃和障礙物檢測通常是由非地面點(diǎn)云來提供位置信息和物體信息. 因而， 將地面和非地面點(diǎn)云分割， 而后對兩者進(jìn)行不同處理可充分降低點(diǎn)云空間冗余.

文獻(xiàn)[15]中設(shè)計(jì)了從機(jī)載LiDAR數(shù)據(jù)中除去非地面測量值的漸進(jìn)式形態(tài)濾波器， 其思想是通過逐漸增加濾波器窗口的大小并結(jié)合高度差閾值， 刪除植被、 車輛和建筑物等非地面點(diǎn)， 而地面數(shù)據(jù)將被保留. 數(shù)學(xué)形態(tài)濾波器通常用于無人機(jī)等在高空捕獲的點(diǎn)云， 根據(jù)觀測對象的高度差異從點(diǎn)云生成的灰度圖像中去除非地面物體. 數(shù)學(xué)形態(tài)學(xué)具備強(qiáng)大的功能， 可以處理圖像和信息提取中的各種問題， 例如邊緣檢測、 道路檢測. 數(shù)學(xué)形態(tài)學(xué)由兩個基本運(yùn)算組成， 即膨脹和腐蝕， 用于放大(擴(kuò)張)或縮小(侵蝕)圖像中的特征尺寸. 膨脹和腐蝕操作可以組合為開啟和關(guān)閉操作.

設(shè)G(x,y)表示二維灰度圖像中坐標(biāo)位置(x,y)處的灰度值，B(x,y)表示其結(jié)構(gòu)元素.在灰度形態(tài)中， 在DB鄰域內(nèi)的膨脹和腐蝕分別定義為：

(G⊕B)(x,y)=max{G(x-i,y-j)+B(i,j)|(i,j)∈DB}

(1)

(GΘB)(x,y)=min{G(x-1,y-j)-B(i,j)|(i,j)∈DB}

(2)

將這些概念擴(kuò)展到連續(xù)表面的分析中， 對LiDAR測量數(shù)據(jù)p(x,y,z)， 高度z在x和y處的膨脹定義為：

(3)

式中： 點(diǎn)(xp,yp,zp)表示窗口w內(nèi)p的鄰域坐標(biāo).窗口可為一維線性或二維矩形或其他形狀.膨脹輸出為p的鄰域最大高度值.侵蝕與膨脹類似， 其定義為：

(4)

侵蝕和膨脹的結(jié)合產(chǎn)生用于過濾激光雷達(dá)數(shù)據(jù)的開啟和關(guān)閉操作. 侵蝕操作刪除了尺寸小于窗口尺寸的對象， 而膨脹恢復(fù)了大型對象的形狀. 樹木、 汽車和建筑物等非地面物體的標(biāo)高通常高于周圍地面的標(biāo)高， 將LiDAR點(diǎn)云按照高程轉(zhuǎn)換為規(guī)則灰度網(wǎng)格圖像， 可通過改變灰度來識別建筑物、 汽車和樹木的形狀. 漸進(jìn)形態(tài)濾波器通過逐漸增加形態(tài)過濾器的窗口大小， 并根據(jù)建筑物和地形的高程變化的差異， 將建筑物和地面的測量值分開. 通過逐漸增加窗口大小并重復(fù)應(yīng)用打開操作直到窗口大小大于最大建筑物的大小， 上述過程同樣作用于樹木、 汽車等非地面物體. 由此地面與非地面得以分離. 鑒于機(jī)載點(diǎn)云與車載LiDAR點(diǎn)云的差異， 通過實(shí)驗(yàn)對窗口大小和高度閾值的修改與調(diào)整， 使?jié)u進(jìn)形態(tài)濾波器適用于車載LiDAR點(diǎn)云地面與非地面分割. 地面和非地面分離效果如圖3所示.

(a) 原始點(diǎn)云

(b) 地面點(diǎn)云

(c) 非地面點(diǎn)云

2.2 點(diǎn)云非一致性稀疏化采樣

P={xi,yi,zi,i=1∶1∶N}

(5)

(6)

2.3 坐標(biāo)變換與距離圖映射

圖4 球坐標(biāo)系Fig.4 Spherical coordinate system

激光掃描儀覆蓋固定的垂直度數(shù)和360°水平視場， 具有固定數(shù)目的光束和角分辨率. 由于原始數(shù)據(jù)是通過測量從激光雷達(dá)中心到物體的徑向距離而獲得的， 因此對于LiDAR點(diǎn)云， 與傳統(tǒng)的笛卡爾坐標(biāo)系相比， 采用球面坐標(biāo)系可以更好地適應(yīng)其數(shù)據(jù)的特性， 可以將其轉(zhuǎn)換為距離圖像. 完成此轉(zhuǎn)換不僅不會損失原有的空間位置信息， 而且可以減少近四分之三的數(shù)據(jù)量. 相應(yīng)的球坐標(biāo)如圖4所示， 通過下式完成坐標(biāo)轉(zhuǎn)換.

(7)

(8)

(9)

式中：ωi為偏航角；θi為俯仰角；ri為點(diǎn)到中心的距離， 下標(biāo)i表示點(diǎn)的索引.

利用LiDAR點(diǎn)云的特點(diǎn)， 將球坐標(biāo)中的點(diǎn)映射到2D距離圖， 將偏航角映射為距離圖像像素的橫坐標(biāo)， 俯仰角映射為距離圖像像素的縱坐標(biāo)， 距離值映射為像素值. 映射過程如下式.

(10)

(11)

P(pxi，pyi)=round(ri)

(12)

在式(10)～(11)中，x_quan、y_quan表示偏航角和俯仰角的量化系數(shù)， 兩者決定距離圖的分辨率大小， 通過調(diào)整量化系數(shù)控制壓縮率和壓縮性能， 以此實(shí)現(xiàn)點(diǎn)云壓縮有損程度的控制. 此映射方式適用于所有的3D格式的LiDAR點(diǎn)云.

2.4 基于Morton的范圍向量轉(zhuǎn)換

在球坐標(biāo)映射為距離圖像中， 由于LiDAR掃描特性、 點(diǎn)云的下采樣稀疏化以及偏航角及俯仰角的量化等因素和處理過程， 在距離圖中存在大量的空像素， 相鄰點(diǎn)之間的空間相關(guān)性將丟失. 若直接對距離圖進(jìn)行壓縮編碼， 則需要更多的比特， 即更高的碼率. 受八叉樹中3D占據(jù)碼的啟發(fā)， 通過占據(jù)碼對2D的距離圖的每個像素是否為空像素進(jìn)行表示， 由此生成一張與距離圖相同分辨率的占據(jù)圖.

(13)

式中：O(px，py)表示在占據(jù)圖中(px，py)位置的像素值， 值為0表示對應(yīng)距離圖相應(yīng)位置沒有點(diǎn)， 值為1表示有點(diǎn). 然后通過下式計(jì)算占據(jù)圖上各個像素的Morton碼， 將二維中的點(diǎn)坐標(biāo)用一個一維數(shù)值表示. Morton碼值之間的相鄰性可以表示二維像素的相鄰性， 通過對Morton碼排序， 同時也是對Morton碼對應(yīng)的點(diǎn)進(jìn)行排序， 由此把距離圖像像素值根據(jù)對應(yīng)Morton碼的大小排列為一維向量， 節(jié)省了距離圖的空間.

(14)

(15)

式中：xl,yl∈{0, 1}， 式(14)表示將位置轉(zhuǎn)換為二進(jìn)制形式. 距離圖由此轉(zhuǎn)化為占更小存儲空間的1 bit深度的二維占據(jù)圖和一個16 bit深度的距離向量.

2.5 圖像壓縮

基于JPEG的壓縮方法致力于減少空間冗余， 在JPEG算法中， 包含一種無損算法和三種有損算法， 鑒于LIDAR點(diǎn)云的應(yīng)用場景需求， 基于DPCM的JPEG無損壓縮算法更適用于16 bit深度距離向量， 其采用預(yù)測編碼和哈夫曼編碼(或算術(shù)編碼)以保證重建圖像與原圖像完全相同. 此外， 采用便攜式網(wǎng)絡(luò)圖形(PNG)[16]對1 bit深度占據(jù)圖像進(jìn)行無損壓縮可以達(dá)到更高壓縮率. 由此通過圖像編碼對點(diǎn)云進(jìn)行進(jìn)一步的壓縮.

3 實(shí)驗(yàn)結(jié)果

3.1 客觀質(zhì)量評估指標(biāo)

為了定量評估本文方法的壓縮性能， 使用每點(diǎn)比特?cái)?shù)(bits per point, bpp)來表示點(diǎn)云壓縮后的碼率， 并使用點(diǎn)對點(diǎn)均方距離的峰值信噪比(peak signal to noise ratio, PSNR)[17]作為度量標(biāo)準(zhǔn).

原始點(diǎn)云Por是一組無嚴(yán)格排序的N點(diǎn)的集合， 其中p包含點(diǎn)的位置信息.解碼點(diǎn)云Pde為一組無嚴(yán)格排序的M點(diǎn)的集合. 對于有損壓縮， 解碼點(diǎn)數(shù)小于原始點(diǎn)數(shù).

Por={(pi):i=0, …,N-1}

(16)

Pde={(pi):i=0, …,M-1}

(17)

對于每個在Pde中的點(diǎn)pde， 在Por找到最近鄰點(diǎn)， 記做pmn_or. 通過基于L2距離范數(shù)的K-d樹算法計(jì)算得到最近鄰點(diǎn)[17]. 下式定義了幾何屬性的均方誤差(mean squared error, MSE).

(18)

基于MSE， 下式給出了幾何屬性的PSNR的計(jì)算方法.

(19)

3.2 壓縮性能

實(shí)驗(yàn)的測試序列主要來自廣泛應(yīng)用于自動駕駛領(lǐng)域的KITTI測試集. 圖5給出了本文的方法與點(diǎn)云壓縮錨點(diǎn)[4]、 谷歌的Draco[18]以及由MPEG開發(fā)的目前最先進(jìn)的基于幾何的編碼器G-PCC[19]對比的性能曲線. 圖中g(shù)5o3和g5o2表示地面與非地面點(diǎn)云的采樣間隔， 前者分別為5和3， 后者分別為5和2. 實(shí)驗(yàn)在同等條件下進(jìn)行， 對比結(jié)果由PSNR-碼率曲線給出. 本文在KITTI數(shù)據(jù)集五個場景上進(jìn)行實(shí)驗(yàn)： 城市， 校園， 道路， 居民區(qū)， 行人. 較大的PSNR和較小的碼率意味著更好的壓縮性能， 因?yàn)榭梢砸暂^小的寬帶實(shí)現(xiàn)較高的PSNR. 在KITTI數(shù)據(jù)集的5個測試序列中， 數(shù)據(jù)均為LiDAR獲取的原始數(shù)據(jù)， 盡管不同場景的性能略有差距， 本文方法和其他對比方法均表現(xiàn)較穩(wěn)定. 在相同PSNR重建質(zhì)量下， 本文的方法僅需要更小的碼率， 性能顯著優(yōu)于錨點(diǎn)[4]和Draco[18]. 當(dāng)碼率≥2.5 bpp時， 本文方法優(yōu)于G-PCC[19]， 可以達(dá)到更高的重建質(zhì)量； 在較低碼率時， 本文算法的壓縮性能略低于G-PCC， 這是由于低碼率時偏航角和俯仰角的量化系數(shù)較小， 在其量化后四舍五入時引入了較大的舍入誤差. 總體上， 本文所提出的方案有著較佳的壓縮性能.

(a) 城市

(b) 校園

(c) 道路

(d) 居民區(qū)

(e)行人

4 結(jié)語

本文針對自動駕駛領(lǐng)域提出一種新穎的通用LiDAR點(diǎn)云有損壓縮框架. 基于地面點(diǎn)云占比大且高度冗余的特點(diǎn)， 對單幀點(diǎn)云采取“分而治之”策略， 將3D點(diǎn)云中地面和非地面點(diǎn)進(jìn)行分割， 并分別進(jìn)行不同強(qiáng)度的稀疏化處理， 而后經(jīng)球坐標(biāo)轉(zhuǎn)換后映射為二維圖像， 并利用Morton碼表示為空間更小的一維向量， 最后進(jìn)行圖像壓縮. 實(shí)驗(yàn)結(jié)果表明， 本文的方法明顯優(yōu)于文獻(xiàn)[4,18-19]的方法. 然而， 目前的編碼方案僅針對單幀點(diǎn)云. 本研究的下一步目標(biāo)是壓縮點(diǎn)云序列， 在單幀點(diǎn)云壓縮框架基礎(chǔ)上， 拓展對后續(xù)編碼幀高效的預(yù)測算法， 這將具有更廣闊的應(yīng)用前景. 例如， 結(jié)合深度學(xué)習(xí)探索高效的點(diǎn)云幀間預(yù)測技術(shù)， 降低時間冗余， 以達(dá)到更高壓縮性能.