CompleteDT：基于稠密增强推理 Transformer 的点云补全
计算机视觉与模式识别
2022-06-13 v2
摘要
点云补全任务旨在预测不完整点云的缺失部分并生成具有细节的完整点云。本文中，我们提出一种新颖的点云补全网络，即 CompleteDT。具体地，从由不完整输入采样得到的不同分辨率点云中学习特征，并基于几何结构转换为一系列 \textit{spots}（点斑）。随后，提出基于 transformer 的稠密关系增强模块（DRA）以学习 \textit{spots} 内部特征并考虑这些 \textit{spots} 之间的相关性。DRA 由点局部注意力模块（PLA）与点稠密多尺度注意力模块（PDMA）组成，其中 PLA 通过自适应度量邻居权重来捕获局部 \textit{spots} 内的局部信息，PDMA 以多尺度稠密连接的方式利用这些 \textit{spots} 之间的全局关系。最后，通过多分辨率点融合模块（MPF）从 \textit{spots} 预测完整形状，该模块从 \textit{spots} 逐步生成完整点云，并基于这些生成的点云更新 \textit{spots}。实验结果表明，由于基于 transformer 的 DRA 能从不完整输入中学习具表现力的特征，且 MPF 能充分挖掘这些特征以预测完整输入，我们的方法大幅优于当前最优（SOTA）方法。
引用
@article{arxiv.2205.14999,
title = {CompleteDT: Point Cloud Completion with Dense Augment Inference Transformers},
author = {Jun Li and Shangwei Guo and Shaokun Han},
journal= {arXiv preprint arXiv:2205.14999},
year = {2022}
}
备注
Submitted to International Journal of Computer Vision (IJCV)