CRA-PCN: 基于层内与层间跨分辨率Transformer的点云补全

点云补全是一项不可或缺的任务，用于恢复因遮挡、传感器分辨率有限等导致的不完整点云。粗到细生成架构系列近年来在点云补全中取得了巨大成功，并逐渐成为主流。在这项工作中，我们揭示了这些方法背后的关键要素之一：精心设计的带有显式跨分辨率聚合的特征提取操作。我们提出了跨分辨率Transformer，通过局部注意力机制高效地执行跨分辨率聚合。借助我们的递归设计，所提出的操作能够比常见的聚合操作捕获更多尺度的特征，这有利于捕获精细的几何特征。虽然先前的方法已经尝试了层间跨分辨率聚合的各种形式，但层内跨分辨率聚合及其组合的有效性尚未被分析。通过统一的设计，跨分辨率Transformer可以通过切换输入来执行层内或层间跨分辨率聚合。我们将两种形式的跨分辨率Transformer集成到一个用于点生成的上采样块中，并遵循粗到细的方式，构建了CRA-PCN，通过堆叠的上采样块逐步预测完整形状。大量实验表明，我们的方法在几个广泛使用的基准测试上大幅优于最先进的方法。代码可在 https://github.com/EasyRy/CRA-PCN 获取。