通过一致性损失提升点云完成网络的性能

点云完成网络通常被训练以最小化完成点云与真实值点云之间的差异。然而，对于单独检查时，一个不完整的对象级点云可能具有多个有效的完成解决方案。这种一对多的映射问题可能导致网络接收到相互矛盾的监督信号，因为损失函数可能对相同的输入输出对产生不同的值。在许多情况下，这一问题可能对网络的优化过程产生不利影响。本文提出通过引入新颖的完成一致性损失来增强常规学习目标，以缓解一对多的映射问题。具体而言，提出的一致性损失确保点云完成网络为来自同一来源点云的不完整对象生成一致的完成解决方案。跨多个广为人知的数据集和基准的实验结果表明，提出的完成一致性损失能够在不修改网络设计的情况下，有效提升各种现有网络的完成性能。该一致性损失在不影响推理速度的情况下增强了点完成网络的性能，从而提高了点云完成的准确性。值得注意的是，使用提出的一致性损失训练的前沿点完成网络可在具有挑战性的新型 MVP 数据集上实现前沿准确率。本文的代码和实验结果将在 https://github.com/kaist-avelab/ConsistencyLoss 提供。