基于梯度场的深度点集重采样
计算机视觉与模式识别
2021-11-04 v1
摘要
通过扫描真实世界物体或场景获取的三维点云已广泛应用于沉浸式远程呈现、自动驾驶、监控等领域。这些点云常受噪声干扰或存在密度稀疏的问题，这阻碍了表面重建和理解等下游任务。本文提出了一种新颖的点集重采样恢复范式，该范式学习点云的连续梯度场，使点向底层表面收敛。具体而言，我们通过其梯度场——对数概率密度函数的梯度——来表示点云，并强制梯度场连续，从而保证模型连续性以实现可解优化。基于通过所提出的神经网络估计的连续梯度场，对点云进行重采样相当于在输入的含噪或稀疏点云上执行基于梯度的马尔可夫链蒙特卡洛（MCMC）。此外，我们提出在点云恢复过程中向基于梯度的 MCMC 引入正则化，这本质上迭代地细化了中间重采样点云，并在重采样过程中容纳了各种先验。大量实验结果表明，所提出的点集重采样方法在点云去噪和上采样等代表性恢复任务中达到了最先进的性能。
引用
@article{arxiv.2111.02045,
title = {Deep Point Set Resampling via Gradient Fields},
author = {Haolan Chen and Bi'an Du and Shitong Luo and Wei Hu},
journal= {arXiv preprint arXiv:2111.02045},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2107.10981