BPNet：面向三维点云的贝塞尔图元分割
计算机视觉与模式识别
2025-04-24 v2
摘要
本文提出 BPNet，一种新颖的端到端深度学习框架，用于学习三维点云上的贝塞尔（Bézier）图元分割。现有工作将不同图元类型分开处理，从而将其局限于有限的形状类别。为解决此问题，我们寻求在点云上的广义图元分割。受 NURBS 模型上贝塞尔分解的启发，我们将其迁移以指导脱离图元类型的点云分割。提出一种联合优化框架，在级联架构上同时学习贝塞尔图元分割与几何拟合。具体而言，我们引入软投票正则化器以改进图元分割，并提出自动权重嵌入模块以聚类点特征，使网络更鲁棒且更具通用性。我们还引入一个重建模块，在其中成功同时处理具有不同图元的多个 CAD 模型。我们在合成 ABC 数据集与真实扫描数据集上进行了大量实验，以验证并与不同基线方法比较我们的方法。实验表明在分割方面优于先前工作，且推理速度显著更快。
引用
@article{arxiv.2307.04013,
title = {BPNet: B\'ezier Primitive Segmentation on 3D Point Clouds},
author = {Rao Fu and Cheng Wen and Qian Li and Xiao Xiao and Pierre Alliez},
journal= {arXiv preprint arXiv:2307.04013},
year = {2025}
}