用于点云补全的图引导形变网络
机器人学
2021-12-06 v1 人工智能
计算机视觉与模式识别
摘要
长期以来，点云补全任务被视为纯粹的生成任务。在通过编码器获得全局形状编码后，利用网络先验学习的形状生成完整点云。然而，此类模型不可避免地偏向先验平均物体，且在拟合几何细节方面存在固有局限。本文中，我们提出图引导形变网络，分别将输入数据与中间生成结果视为控制点与支撑点，并借助图卷积网络（GCN）引导建模优化以完成点云补全任务。我们的核心思路是通过网格形变方法模拟最小二乘拉普拉斯形变过程，从而为几何细节变化建模带来自适应性。借此，我们也缩小了补全任务与网格形变算法之间的差距。据我们所知，我们首次通过模仿传统图形学算法并结合 GCN 引导形变来精炼点云补全任务。我们在模拟室内数据集 ShapeNet、室外数据集 KITTI 以及我们自采的自动驾驶数据集 Pandar40 上进行了大量实验。结果表明，我们的方法在三维点云补全任务上优于现有最优算法。
引用
@article{arxiv.2112.01840,
title = {Graph-Guided Deformation for Point Cloud Completion},
author = {Jieqi Shi and Lingyun Xu and Liang Heng and Shaojie Shen},
journal= {arXiv preprint arXiv:2112.01840},
year = {2021}
}
备注
RAL with IROS 2021