CPFN：用于高分辨率点云级联基元拟合网络
计算机视觉与模式识别
2021-09-07 v2
摘要
将人造物体表示为一组基本基元在计算机视觉和逆向工程中有悠久的历史。对于高分辨率点云扫描，挑战在于能够同时检测大尺度基元以及解释细节部分的那些基元。虽然经典的RANSAC方法需要针对具体情形的参数调优，最先进的网络受其骨干模块（如PointNet++）的内存消耗限制，因此无法检测细尺度基元。我们提出级联基元拟合网络（CPFN），它依赖于自适应块采样网络来整合全局与局部基元检测网络的检测结果。作为一个关键赋能因素，我们提出一种合并公式，动态聚合跨全局与局部尺度的基元。我们的评估表明，CPFN在高分辨率点云数据集上将最先进的SPFN性能提升了13-14%，并且特别将细尺度基元的检测提升了20-22%。
引用
@article{arxiv.2109.00113,
title = {CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds},
author = {Eric-Tuan Lê and Minhyuk Sung and Duygu Ceylan and Radomir Mech and Tamy Boubekeur and Niloy J. Mitra},
journal= {arXiv preprint arXiv:2109.00113},
year = {2021}
}
备注
ICCV 2021: 15 pages, 8 figures