GridFormer：用于表面重建的点-网格 Transformer
计算机视觉与模式识别
2024-01-05 v1
摘要
隐式神经网络已成为 3D 表面重建中的一项关键技术。为了从离散点云重建连续表面，现有方法通常将输入点编码为规则网格特征（平面或体素）。然而，这些方法通常将网格用作均匀散布点特征的索引。与不规则点特征相比，规则网格特征可能会牺牲一些重建细节，但能提高效率。为了充分利用这两类特征，我们引入了一种在网格与点特征之间新颖且高效的注意力机制，称为点-网格 Transformer（GridFormer）。该机制将网格视为连接空间与点云的传递点。我们的方法最大化了网格特征的空间表达能力，同时保持了计算效率。此外，在整个空间上优化预测可能会导致边界模糊。为了解决这一问题，我们进一步提出了一种结合间隔二元交叉熵损失和边界采样的边界优化策略。该方法使我们能够获得更精确的物体结构表示。实验验证了我们的方法是有效的，并且在广泛使用的基准测试下，通过产生更精确的几何重建优于 SOTA 方法。代码可在 https://github.com/list17/GridFormer 获取。
关键词
引用
@article{arxiv.2401.02292,
title = {GridFormer: Point-Grid Transformer for Surface Reconstruction},
author = {Shengtao Li and Ge Gao and Yudong Liu and Yu-Shen Liu and Ming Gu},
journal= {arXiv preprint arXiv:2401.02292},
year = {2024}
}