Para abordar el problema de escalado de las representaciones de mapas volumétricos, proponemos métodos locales espaciales para la compresión de alta relación de mapas 3D, representados como campos de distancia firmados truncados. Mostramos que estos mapas comprimidos pueden utilizarse como descriptores significativos para la descompresión selectiva en escenarios relevantes para aplicaciones robóticas. Como métodos de compresión, comparamos el uso de bases de baja dimensión derivadas de PCA con redes de auto-codificadores no lineales. Seleccionando dos métricas de rendimiento orientadas a la aplicación, evaluamos el impacto de diferentes tasas de compresión en la fidelidad de reconstrucción, así como en la tarea de estimación de ego-moción asistida por mapas. Se demuestra que los campos de distancia reconstruidos de manera lossy utilizados como funciones de costo para la estimación de ego-moción pueden superar a los mapas originales en escenarios desafiantes de conjuntos de datos estándar RGB-D (color más profundidad) debido al rechazo del contenido de ruido de alta frecuencia.