CF-PRNet：用于点云补全与重建的由粗到细原型精炼网络
计算机视觉与模式识别
2024-09-16 v1
摘要
在现代农业生产中，对植物和果实的精确监测对于高通量表型分析和自动化采摘等任务至关重要。本文解决了从部分视角重建水果精确 3D 形状的挑战，这一情况在农业环境中十分常见。我们提出了 CF-PRNet，一个由粗到细的原型精炼网络，它在训练阶段利用高分辨率 3D 数据，但在实时推理时仅需单张 RGB-D 图像。我们的方法首先通过一系列卷积块提取由水果部分视角构建的不完整点云数据的特征。提取的特征用于生成缩放向量，以精炼两个顺序构建的 3D 网格原型——一个粗粒度原型和一个细粒度原型。这种渐进式的精炼促进了最终点云的细节补全，实现了精细且准确的重建。CF-PRNet 展现了优异的性能指标，Chamfer Distance 为 3.78，F1 Score 为 66.76%，Precision 为 56.56%，Recall 为 85.31%，并在甜椒形状补全与重建挑战赛中荣获第一名。
引用
@article{arxiv.2409.08443,
title = {CF-PRNet: Coarse-to-Fine Prototype Refining Network for Point Cloud Completion and Reconstruction},
author = {Zhi Chen and Tianqi Wei and Zecheng Zhao and Jia Syuen Lim and Yadan Luo and Hu Zhang and Xin Yu and Scott Chapman and Zi Huang},
journal= {arXiv preprint arXiv:2409.08443},
year = {2024}
}
备注
Technical Report of the 1st place solution to CVPPA@ECCV2024: Shape Completion and Reconstruction of Sweet Peppers Challenge