去噪补全网络 (DWCNet)：面对损坏的鲁棒点云补全
计算机视觉与模式识别
2025-09-09 v1
摘要
点云补全对于自动驾驶、增强现实和机器人技术中的 3D 计算机视觉任务至关重要。然而，由于噪声和遮挡，从现实世界环境中获取干净且完整的点云具有挑战性。因此，大多数在合成数据上训练的现有补全网络在现实世界退化情况下表现不佳。在本工作中，我们解决了同时完成和去噪受多种同时退化影响的高度损坏部分点云的问题。为了基准测试鲁棒性，我们引入了损坏点云补全数据集 (CPCCD)，它突出了当前方法在不同损坏下的局限性。基于这些见解，我们提出了 DWCNet（去噪补全网络），这是一个增强了噪声管理模块 (NMM) 的补全框架，该模块利用对比学习和自注意力来抑制噪声并建模结构关系。DWCNet 在干净和损坏的、合成和现实世界数据集上均实现了 SOTA 性能。数据集和代码将公开在 https://github.com/keneniwt/DWCNET-Robust-Point-Cloud-Completion-against-Corruptions
引用
@article{arxiv.2507.16743,
title = {Denoising-While-Completing Network (DWCNet): Robust Point Cloud Completion Under Corruption},
author = {Keneni W. Tesema and Lyndon Hill and Mark W. Jones and Gary K. L. Tam},
journal= {arXiv preprint arXiv:2507.16743},
year = {2025}
}
备注
Accepted for Computers and Graphics and EG Symposium on 3D Object Retrieval 2025 (3DOR'25)