基于分离特征聚合的细节保持点云补全
计算机视觉与模式识别
2020-07-07 v1 计算几何
摘要
点云形状补全是三维视觉与机器人领域中的一个具有挑战性的问题。现有的基于学习的框架利用编码器-解码器架构从高度编码的全局特征向量中恢复完整形状。尽管全局特征可以近似表示三维物体的整体形状，但它在补全过程中会导致形状细节的丢失。在本工作中，我们不使用全局特征来恢复整个完整表面，而是探索多级特征的功能，并聚合不同特征以分别表示已知部分和缺失部分。我们提出了两种不同的特征聚合策略，称为全局与局部特征聚合（GLFA）和残差特征聚合（RFA），以表达这两类特征并从其组合中重建坐标。此外，我们还设计了一个细化组件，以防止生成的点云出现非均匀分布和离群点。我们在 ShapeNet 数据集上进行了大量实验。定性与定量评估表明，我们提出的网络优于当前最先进（state-of-the-art）的方法，尤其在细节保持方面。
引用
@article{arxiv.2007.02374,
title = {Detail Preserved Point Cloud Completion via Separated Feature Aggregation},
author = {Wenxiao Zhang and Qingan Yan and Chunxia Xiao},
journal= {arXiv preprint arXiv:2007.02374},
year = {2020}
}
备注
To be appeared in ECCV 2020