买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中国计量大学申请的专利一种基于高效采样与优化熵模型的点云端到端压缩方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119135925B 。

龙图腾网通过国家知识产权局官网在2025-05-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411621137.9，技术领域涉及：H04N19/54；该发明授权一种基于高效采样与优化熵模型的点云端到端压缩方法是由章东平;黄圣淇;谢亚光设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本一种基于高效采样与优化熵模型的点云端到端压缩方法在说明书摘要公布了：本发明公开了一种基于高效采样与优化熵模型的点云端到端压缩方法，在现有技术上通过利用局部图的构造、图特征嵌入和基于注意的采样设计神经图采样模块，将其嵌入到编码过程中的特征提取网络，采用多模块堆叠的方式来提取原始点云的潜在关键点，有效提升了采样效率；通过非对称空间信道熵模块利用可变形动态核扩展空间聚合能力，并将潜在变量沿着信道维度分组，在保持编码效率的同时减少了统计冗余。本发明基于神经图采样模块和非对称空间信道熵模块的加入，实现了最具采样价值点的获取和分布参数估计的有效优化，从而实现海量点云数据的端到端压缩。

本发明授权一种基于高效采样与优化熵模型的点云端到端压缩方法在权利要求书中公布了：1.一种基于高效采样与优化熵模型的点云端到端压缩方法，其特征在于包括如下步骤：步骤1：对原始点云进行网格回归，再经网格量化和算术编码得到带有网格信息的比特流，通过算术解码和网格还原得到重构后的网格，并对其进行网格到点云的转换，生成预测点云；步骤2：对输入的原始点云进行神经图采样；构造每个点的局部图以聚合特征属性，然后，执行基于注意的采样来选择点的子集，以表示输入点；具体包括如下步骤：步骤2.1：局部图构造；利用K近邻算法构造每个点的K近邻图，得到空间K近邻图特征，对于具有属性的原始点云，基于空间域中K近邻指数，在特征域中得到每个点的K近邻图属性，将K近邻图属性和空间K近邻图特征连接用于特征嵌入；步骤2.2：图特征嵌入；基于K近邻图构建动态滤波，用于侧重局部空间关系建模，将点与卷积对应，再进行特征嵌入，得到基于点的自适应卷积；步骤2.3：基于注意的采样；对于图特征嵌入的输出，选择具有可微操作的代表子集，并利用基于注意力的方法，选择原始点云的点子集，以获取最具采样价值的点；步骤3：将预测点云和经过神经图采样后的原始点云进行特征提取，得到多尺度稀疏张量，并使用坐标编码得到坐标比特流，之后经过特征映射，以获取预测点云的映射特征，基于映射特征和所述特征提取的特征，通过特征减法得到残差特征；步骤4：将残差特征输入非对称空间信道熵，通过分组可变形动态核，对残差特征的各分组进行不同的偏移和向量投影，然后将潜在变量沿着信道维度分组，每组除第一组外均从前面各组捕获帮助性空间上下文，以优化残差特征；具体包括如下步骤：步骤4.1：在编码过程中，将输入特征x发送到具有学习参数φ的编码器ga，然后得到潜在表示y，并将潜在表示y和方差μ之间的量化残差编码到比特流中，进行量化操作；然后在解码过程中，解码器gs将解码后的延迟转换为重构特征，同时利用动态空间聚合和非对称空间信道熵增强残差特征压缩总体框架；步骤4.2：通过可变形核来实现自适应空间聚合，首先设计动态残余块组，使用深度卷积来分别生成内容自适应的核偏移量和调制权值；再将输入特征分成几组，并在每一组内共享调制的核权值；步骤4.3：通过在超先验部分将潜在表示y编码为边信息并引入动态核来聚合全局先验分布；此外设计非对称空间信道熵变换，将潜在变量y沿着信道维度分组，提取信道上下文，并从各组中提取空间上下文，每组除第一组外均从前面各组捕获帮助性空间上下文，前两组使用四阶段空间上下文，后面组使用两阶段空间上下文，结合超先验中全局上下文信息，最终通过分布参数估计来优化残差特征；步骤5：从网格比特流中经过算术解码还原网格，然后进行网格到点云的转换，生成预测点云，再将预测点云经特征提取后进行特征映射，最后将映射特征结合解码出的坐标和经过非对称空间信道熵模块后的残差特征，得到原始点云的特征，用于重建原始点云。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国计量大学，其通讯地址为：310018 浙江省杭州市下沙高教园区学源街258号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。