CU-Net：面向点云实时高保真色彩上采样
计算机视觉与模式识别
2022-11-21 v2
摘要
由于现有技术在采集、处理和通信方面的限制，点云上采样对于高质量的增强现实、虚拟现实和远程呈现应用至关重要。尽管用于加密点云坐标的几何上采样已被充分研究，但色彩属性的上采样在很大程度上被忽视了。本文中，我们提出 CU-Net，这是首个能够实现低延迟和高视觉保真操作的深度学习点云色彩上采样模型。CU-Net 通过基于稀疏卷积的特征提取器和基于神经隐式函数的色彩预测模块实现了线性的时间与空间复杂度。因此，CU-Net 在理论上保证比大多数具有二次复杂度的现有方法更高效。实验结果表明，CU-Net 能够实时为近百万点的照片级真实感点云上色，同时视觉性能明显优于基线方法。此外，CU-Net 可适应任意上采样比例和未见过物体而无需重新训练。我们的源代码见 https://github.com/UMass-LIDS/cunet。
引用
@article{arxiv.2209.06112,
title = {CU-Net: Real-Time High-Fidelity Color Upsampling for Point Clouds},
author = {Lingdong Wang and Mohammad Hajiesmaili and Jacob Chakareski and Ramesh K. Sitaraman},
journal= {arXiv preprint arXiv:2209.06112},
year = {2022}
}