用于点云上采样的条件去噪扩散概率模型
计算机视觉与模式识别
2023-12-06 v1
摘要
点云上采样 (PCU) 丰富了原始点云的表示，显著提升了分类和重建等下游任务的性能。现有的大多数点云上采样方法侧重于稀疏点云特征提取和上采样模块设计。我们另辟蹊径，更深入地直接建模稠密点云的数据分布梯度。本文提出了一种用于点云上采样的条件去噪扩散概率模型 (DDPM)，称为 PUDM。具体而言，PUDM 将稀疏点云视为条件，并迭代学习稠密点云与噪声之间的变换关系。同时，PUDM 采用双映射范式以进一步提高点特征的可辨识性。在此背景下，PUDM 能够通过主导特征学习真实点云中的复杂几何细节，同时避免了额外的上采样模块设计。此外，为了在推理过程中生成高质量的任意尺度点云，PUDM 通过在训练期间参数化一个比率因子，利用了稀疏点云与稠密点云之间尺度的先验知识。而且，PUDM 在实验结果中表现出强大的噪声鲁棒性。在 PU1K 和 PUGAN 上的定量与定性评估中，PUDM 在 Chamfer 距离 (CD) 和 Hausdorff 距离 (HD) 指标上显著优于现有方法，达到了最先进 (SOTA) 的性能。
引用
@article{arxiv.2312.02719,
title = {A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling},
author = {Wentao Qu and Yuantian Shao and Lingwu Meng and Xiaoshui Huang and Liang Xiao},
journal= {arXiv preprint arXiv:2312.02719},
year = {2023}
}