c 网站设计wordpress 国外在访问

一、研究背景与挑战

随着激光雷达（LiDAR）技术的普及，点云数据在自动驾驶、三维重建等领域得到广泛应用。然而，点云数据的无序性、稀疏性给存储和传输带来巨大挑战。传统的点云几何压缩（PCGC）方法难以平衡压缩率与精度，而深度学习方法逐渐成为主流。现有方法主要分为两类：

1. ​CNN-based方法​：通过3D卷积提取局部特征，但受限于固定感受野，难以捕捉长距离依赖。
2. ​Transformer-based方法​：利用自注意力机制建模全局依赖，但计算复杂度高且忽略细粒度细节。

本文提出的TopNet通过创新的CNN-Transformer协作策略，在保持高效推理的同时实现SOTA压缩性能。

---

二、核心架构与创新

TopNet采用分层Octree结构，通过四个核心模块实现高效节点占用预测：

Figure 2. Overview of the proposed TopNet. Point clouds are first partitioned using oc