基于体素网络与潜在几何一致性学习的任意尺度点云上采样

最近，任意尺度点云上采样机制因其在实际应用中的效率和便利性而日益流行。为了实现这一点，大多数先前的方法将其表述为表面逼近问题，并采用基于点的网络来学习表面表示。然而，从稀疏点云中学习表面更具挑战性，因此它们常常遭受低保真几何逼近的困扰。为了解决这一问题，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（\textbf{PU-VoxelNet}）。得益于体素表示所继承的完整性和规则性，基于体素的网络能够提供预定义的网格空间来逼近 3D 表面，并且可以根据每个网格单元内预测的密度分布重建任意数量的点。然而，我们研究了由不精确的密度预测导致的不准确网格采样问题。为了解决这个问题，我们开发了一种密度引导的网格重采样方法，以生成高保真点，同时有效避免采样异常值。此外，为了改善细粒度细节，我们提出了一种辅助训练监督，以强制局部表面块之间的潜在几何一致性。大量实验表明，所提出的方法不仅在固定上采样率方面，而且在任意尺度上采样方面均优于最先进的方法。