光检测和测距 ( LiDAR ) 传感用于各种机器人应用，尤其是自动驾驶汽车。然而，3D 点云扫描在数据存储和内存使用方面是巨大的，并且会很快使通信带宽饱和。

最近发表在 arXiv.org 上的一篇论文提出了一种新颖的 3D 点云表示，旨在应对这些挑战。新颖的表示可以根据需要连续自适应地调整点云的密度，并以紧凑的格式对其进行建模。

对四个公共数据集的实验评估表明，所提出的方法可以在恢复更密集的 3D 重建的同时将点云的存储空间减少多达 80%。它是第一个可以将 3D 点云压缩到这种存储效率级别同时能够增加点云密度的框架。

增加 3D LiDAR 点云的密度对于机器人技术中的许多应用具有吸引力。然而，高密度 LiDAR 传感器通常成本高昂，并且仍受限于每次扫描的覆盖范围(例如，128 个通道)。同时，更密集的点云扫描和地图意味着更大的存储量和更长的传输时间。现有工作的重点是提高点云密度或压缩其大小。本文旨在设计一种新颖的 3D 点云表示，它可以不断增加点云密度，同时减小其存储和传输大小。提出的 LiDAR 连续超紧凑表示 (CURL) 的流程包括四个主要步骤：网格划分、上采样、编码和连续重建。它能够将 3D LiDAR 扫描或地图转换为紧凑的球面谐波表示，可以以低延迟使用或传输，以连续重建更密集的 3D 点云。在涵盖大学花园、城市街道和室内房间的四个公共数据集上进行的广泛实验表明，使用所提出的 CURL 表示可以准确地重建更密集的 3D 点云，同时节省高达 80% 的存储空间。我们为社区开源 CURL 代码。证明使用所提出的 CURL 表示可以准确地重建更密集的 3D 点云，同时节省高达 80% 的存储空间。我们为社区开源 CURL 代码。证明使用所提出的 CURL 表示可以准确地重建更密集的 3D 点云，同时节省高达 80% 的存储空间。我们为社区开源 CURL 代码。