三维点云是描述真实三维场景的数据形式,可以广泛应用于虚拟/增强现实、自动驾驶、文物修复等多个领域。然而,高精度三维点云数据量巨大,远远超出现有的存储设备和网络带宽的承载能力,为其传输和存储带来巨大的压力。因此,如何设计高效的三维点云编码方法已成为当下亟需解决的重要问题。由于三维点云空间分布不规则,基于二维规则图像/视频的编码方法很难直接应用到点云上。为了促进三维点云的大规模应用,运动图像专家组正在制定三维点云编码标准,即基于几何的点云编码方法（Geometry-based Point Cloud Compression,G-PCC）和基于视频的点云编码方法（Video-based Point Cloud Compression,V-PCC）。虽然当前编码方法已取得较为出色的表现,但其编码性能依然有待提高。本文重点研究了基于采样的三维点云编码问题,主要内容包括:1.研究当前MPEG点云编码标准（G-PCC和V-PCC）的应用场景、框架结构、算法流程以及编码质量评价准则;详尽分析不同编码配置下,G-PCC和V-PCC在主观、客观以及复杂度等多种评价指标下的编码性能。全面总结了当前编码标准的优点以及存在的问题,为后续的编码算法设计打下了必要的基础。2.从数据采样的角度出发,针对三维点云的几何信息,提出基于采样（下采样编码-上采样重建）的编码框架。该框架重建点云的效果严重依赖于几何上采样方法的性能。为了保障重建点云的质量,首先研究几何上采样方法。为克服当前上采样方法在几何高频区域易产生噪点的缺陷,本文采用生成对抗网络提出基于频率感知的几何上采样方法PUFA-GAN。给定一个低分辨率（Low Resolution,LR）点云,生成器采用动态图分层残差聚合和分层残差聚合单元分别提取和扩展LR点云的特征,以生成高分辨率（High Resolution,HR）点云。在判别器中,首先使用高通图滤波器显式地提取HR点云中的高频点（即被高通图滤波器提取的点,如位于尖锐的边、角区域的点或噪点等）。随后,将生成的HR点云和相应的高频点分别送入两个子判别器中,使判别器可以更好地识别生成器产生的带噪HR点云,促使生成器输出更加真实且无噪的高质量HR点云。实验结果表明,PUFA-GAN在不同的评价标准下均优于现有最先进的几何上采样方法。3.延续研究内容2,针对几何上采样问题,提出基于渐进式空间修正的几何上采样生成对抗网络PU-Refiner。该方法首先在生成器中产生一个粗糙的HR点云。随后,提出一个空间修正模块,该模块通过预测每个点的几何偏移量来“修正”粗糙的HR点云,通过渐进式地使用多个相同的模块,最终将一个粗糙的HR点云“雕刻”成含有精细几何细节的HR点云。同时,判别器采用多级特征融合和基于点的置信值策略进一步提升了判别精度。与现有的几何上采样方法相比,PU-Refiner生成了更加真实的上采样点云。4.基于研究的几何上采样方法提出基于采样（下采样编码-上采样重建）的点云几何编码框架。该框架在编码端首先使用指定的下采样方法将原始点云下采样至指定点数的稀疏点云。随后,将稀疏点云送入编码器进行编码。最后,使用本文提出的几何上采样方法（研究内容2和3）将解码出的稀疏点云插值重建成与原始点云相近的稠密点云。实验结果表明,与G-PCC编码平台版本12.0相比,在相同码率下,提出框架重建的三维点云几何质量得到显著增强。5.针对点云颜色信息,依然延续采样编码的思想,提出基于虚拟自适应采样的颜色编码方法。首先,通过分析点云整体颜色分布,把完整的点云划分为多个颜色分布相近的子点云。随后,提出基于K维树的3D编码块生成方法,该方法依据每个子点云的几何分布将其分割成多个形状相近的3D编码块。然后,在假设整个编码块充满数据点并且是可压缩的情况下,依据几何信息以虚拟自适应采样的方式确定编码块内真实的颜色分布,并使用稀疏表示去除每个编码块内的颜色冗余。最后,借助率失真优化策略自适应地选择不同的变换基矩阵,进一步提升稀疏表示的编码性能。实验结果表明,相比于当时的G-PCC编码平台版本6.0,在相同的码率下,有效地提升了重建点云的颜色质量。