En este artículo, proponemos un novedoso método de compresión de geometría de nubes de puntos sin pérdidas, LINR-PCGC, basado en la Representación Neural Implícita (INR), para abordar las limitaciones de los métodos existentes de compresión de nubes de puntos basados en IA, debido a la dependencia de la distribución específica de los datos de entrenamiento. A diferencia de los métodos existentes basados en INR, que se limitan a la compresión con pérdidas debido al tiempo de codificación y al tamaño del decodificador, LINR-PCGC logra una compresión sin pérdidas. Para lograrlo, diseñamos un marco de codificación a nivel de nube de puntos y una estrategia eficaz de inicialización de red para reducir la velocidad de codificación en aproximadamente un 60%, e implementamos una inferencia rápida y un decodificador de pequeño tamaño mediante una red de codificación ligera basada en SparseConv multiescala. Los resultados experimentales muestran que nuestro método supera a los métodos existentes, logrando aproximadamente un 21% más de reducción del flujo de bits que los métodos existentes en el conjunto de datos MVUB.
