一种用于单视图图像引导点云补全的强无视图基线方法

单视图图像引导的点云补全任务旨在借助单视图图像从部分输入重建完整的点云。虽然先前的工作已经证明了这种多模态方法的有效性，但图像引导的基本必要性在很大程度上仍未得到检验。为了探索这一点，我们提出了一种用于单视图图像引导点云补全的强基线方法，该方法基于一个基于注意力的多分支编码器-解码器网络，仅将部分点云作为输入，无需视图。我们的分层自融合机制由交叉注意力和自注意力层驱动，有效地整合了多个流的信息，丰富了特征表示，并增强了网络捕捉几何结构的能力。在ShapeNet-ViPC数据集上的大量实验和消融研究表明，我们的无视图框架性能优于最先进的单视图图像引导点云补全方法。我们希望我们的发现能为单视图图像引导点云补全中多模态学习的发展提供新的见解。我们的演示代码将在https://github.com/Zhang-VISLab提供。