CAD-PU：一种曲率自适应的点集上采样深度学习方案
计算机视觉与模式识别
2020-09-11 v1
摘要
点集可说是物体或场景表面最直接的近似，但其实际获取常受噪声、稀疏且可能不完整的缺陷所限，制约了高质量表面重建的使用。点集上采样旨在提升其密度与规则性，从而实现更好的表面重建。考虑到上采样目标本身仅是底层表面的近似，该问题严重不适定且具挑战性。为通过点上采样改善表面近似，我们通过配对输入与输出点集的表面近似误差界，明确了对该目标至关重要的因素。这表明在给定上采样结果固定点数的预算下，应将更多点分布到局部曲率相对较高的表面区域。为实现该动机，我们提出一种新颖的曲率自适应点集上采样网络（CAD-PU）设计，其核心为曲率自适应特征扩展模块。为训练 CAD-PU，我们遵循同一动机，提出近似上采样点集表面曲率离散概念的几何直观替代量。我们进一步将所提替代量整合入基于对抗学习的曲率最小化目标，从而实现对 CAD-PU 的切实有效学习。我们进行了充分实验，展示了我们的贡献成效及方法相较已有方法的优势。我们的实现代码公开于 https://github.com/JiehongLin/CAD-PU。
引用
@article{arxiv.2009.04660,
title = {CAD-PU: A Curvature-Adaptive Deep Learning Solution for Point Set Upsampling},
author = {Jiehong Lin and Xian Shi and Yuan Gao and Ke Chen and Kui Jia},
journal= {arXiv preprint arXiv:2009.04660},
year = {2020}
}