DualGenerator：基于信息交互的生成网络用于点云补全
计算机视觉与模式识别
2023-12-08 v2
摘要
点云补全从不完整点云中估计完整形状，以获得更高质量的点云数据。现有多数方法仅考虑全局物体特征，忽略了相邻点的空间与语义信息，难以区分不同物体部件间的结构信息，模型鲁棒性较差。为应对这些挑战，我们提出一种基于信息交互的生成网络用于点云补全（）。它包含一条对抗生成路径与一条变分生成路径，二者相互交互并共享权重。DualGenerator 在生成路径中引入局部细化模块，从局部输入中捕获总体结构，进而细化点云的形状细节。它促进未知区域的补全，并使不同部件间的区分更明显。此外，我们设计 DGStyleGAN 以进一步提升生成质量。结合双路径补全结果的融合分析，它增强了该网络的鲁棒性。定性与定量评估表明，我们的方法在 MVP 和 Completion3D 数据集上表现优越。在加入噪声干扰或稀疏采样后，性能不会显著下降。
引用
@article{arxiv.2305.09132,
title = {DualGenerator: Information Interaction-based Generative Network for Point Cloud Completion},
author = {Pengcheng Shi and Haozhe Cheng and Xu Han and Yiyang Zhou and Jihua Zhu},
journal= {arXiv preprint arXiv:2305.09132},
year = {2023}
}