基于Wasserstein GAN与Transformer的稀疏点云补全
计算机视觉与模式识别
2022-11-24 v1
摘要
在许多视觉与机器人应用中，捕获到的物体通常仅由极少的点表示。现有的大多数补全方法都是针对包含大量点的部分点云设计的，在点数极少的情况下表现不佳甚至完全失效。然而，由于缺乏细节信息，从稀疏点云中补全物体面临巨大挑战。受GAN和Transformer在基于图像的视觉任务中成功应用的启发，我们引入GAN和Transformer技术来解决上述问题。首先，对带有Transformer的端到端编码器-解码器网络以及带有Transformer的Wasserstein GAN进行预训练，然后对整个网络进行微调。在ShapeNet数据集上的实验结果表明，我们的方法不仅能提升大量输入点情况下的补全性能，而且在输入点极少时也能保持稳定。我们的源代码可在 https://github.com/WxfQjh/Stability-point-recovery.git 获取。
引用
@article{arxiv.2211.12746,
title = {Completing point cloud from few points by Wasserstein GAN and Transformers},
author = {Xianfeng Wu and Jinhui Qian and Qing Wei and Xianzu Wu and Xinyi Liu and Luxin Hu and Yanli Gong and Zhongyuan Lai and Libing Wu},
journal= {arXiv preprint arXiv:2211.12746},
year = {2022}
}