基于卷积神经网络的利用无符号距离场的高效稠密点云生成
计算机视觉与模式识别
2024-03-14 v3
摘要
从稀疏或不完整点云生成稠密点云是三维计算机视觉与计算机图形学中的一个关键且具挑战性的问题。迄今为止，现有方法要么计算开销过大，要么分辨率有限，或两者兼有。此外，部分方法严格局限于水密曲面——这是诸多应用的另一主要障碍。为解决这些问题，我们提出了一种轻量卷积神经网络，其利用近期出现的隐式函数学习概念，学习并预测任意三维形状的无符号距离场以生成稠密点云。实验表明，所提架构相较最先进方法，模型参数量减少 7.8 倍，推理时间加快 2.4 倍，生成质量最高提升 24.8%。
引用
@article{arxiv.2203.11537,
title = {Convolutional Neural Network-based Efficient Dense Point Cloud Generation using Unsigned Distance Fields},
author = {Abol Basher and Jani Boutellier},
journal= {arXiv preprint arXiv:2203.11537},
year = {2024}
}