ACL-SPC：用于自监督点云补全的自适应闭环系统
计算机视觉与模式识别
2023-03-29 v3
摘要
点云补全旨在填补由深度传感器获取的部分点云中缺失的部分并生成完整点云。尽管在合成点云补全任务上的监督方法取得了快速进展，但由于合成与真实世界数据集之间的域差距或先验信息的需求，其很难应用于真实场景。为克服这些限制，我们提出了一种新颖的自监督框架 ACL-SPC 用于点云补全，以在相同数据上训练和测试。ACL-SPC 接受单个部分输入，并尝试使用自适应闭环（ACL）系统输出完整点云，该系统强制输出对输入变化保持一致。我们在多个数据集上评估所提出的 ACL-SPC，证明其作为首个自监督方案能成功学习补全部分点云。结果表明，我们的方法与无监督方法相当，并且在真实世界数据集上优于在合成数据集上训练的监督方法。大量实验证明了自监督学习的必要性以及我们所提方法在真实世界点云补全任务中的有效性。代码公开于 https://github.com/Sangminhong/ACL-SPC_PyTorch。
引用
@article{arxiv.2303.01979,
title = {ACL-SPC: Adaptive Closed-Loop system for Self-Supervised Point Cloud Completion},
author = {Sangmin Hong and Mohsen Yavartanoo and Reyhaneh Neshatavar and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2303.01979},
year = {2023}
}
备注
Published at CVPR 2023