基于 Du-Octree 的 LiDAR 几何压缩交叉注意力模型

基于摘要分析。本文研究 LiDAR 点云的几何压缩，针对传统层次树编码中节点特征空间差异较大、节点上下文未被充分挖掘的问题，提出双八叉树表示及 cross-attention 模型，以捕获不同八叉树之间的层次特征。其主要贡献面向三维数据的存储与传输，并非 EEG 解码或 BCI 算法。 机制上，作者以双八叉树替代传统单八叉树编码，每棵八叉树均结合基于 Transformer 的深度熵模型与算术编码器，再通过 cross-attention 建模两棵树之间的关联。此外，方法引入结合主成分分析与不同投影矩阵的 untied cross-aware position encoding，以增强两棵树注意力特征嵌入之间的相关性。双树如何构建、熵模型的条件上下文、训练目标及编码端与解码端的信息可用性，尚需全文核对。 作者报告，在涉及不同激光雷达的点云基准数据集上，相较此前先进方法最高实现 8.2% 的 Bpp 节省。摘要未提供具体数据集名称、数据划分、对应基线、压缩设置或各数据集结果，因此该数值只能按上述有限评估背景理解，不能推广为所有点云场景的平均收益。实验协议、消融及统计信息尚未验证，实现与复现条件也尚未验证。 该方法依赖点云的三维空间稀疏性与八叉树层次结构；摘要未建立这些结构与 EEG 时序、通道布局或跨被试差异之间的具体对应关系，因此不据此提出 BCI 迁移方案。已有 EEG 相关工作尚未检索确认。