CasPoinTr: 基于级联网络与知识蒸馏的点云补全
计算机视觉与模式识别
2025-09-30 v1
摘要
从真实世界环境中采集的点云由于传感器分辨率有限、单视角、遮挡和噪声等因素往往是不完整的。这些挑战使得点云补全对于各种应用至关重要。该任务的一个关键难点是从高度不完整的点云中预测整体形状并重建缺失区域。为此，我们引入CasPoinTr，一种使用级联网络和知识蒸馏的新型点云补全框架。CasPoinTr将补全任务分解为两个协同阶段：形状重建（生成辅助信息）和融合补全（利用该信息结合知识蒸馏生成最终输出）。通过知识蒸馏，在更密集点云上训练的教师模型将不完整-完整关联知识传递给学生模型，增强其估计整体形状和预测缺失区域的能力。级联网络和知识蒸馏共同增强了模型捕获全局形状上下文同时细化局部细节的能力，有效弥合了不完整输入与完整目标之间的差距。在不同难度设置下ShapeNet-55上的实验表明，CasPoinTr在形状恢复和细节保持方面优于现有方法，突显了我们级联结构和蒸馏策略的有效性。
引用
@article{arxiv.2509.23375,
title = {CasPoinTr: Point Cloud Completion with Cascaded Networks and Knowledge Distillation},
author = {Yifan Yang and Yuxiang Yan and Boda Liu and Jian Pu},
journal= {arXiv preprint arXiv:2509.23375},
year = {2025}
}
备注
Accepted to IROS2025