GRNet：用于稠密点云补全的栅格化残差网络
计算机视觉与模式识别
2020-07-21 v4 机器学习
图像与视频处理
摘要
从不完整点云估计完整 3D 点云是许多视觉与机器人应用中的关键问题。主流方法（如 PCN 与 TopNet）使用多层感知机（MLPs）直接处理点云，可能因未充分考虑点云的结构与上下文而造成细节丢失。为解决该问题，我们引入 3D 栅格作为中间表示以规整无序点云。因此我们提出一种新颖的栅格化残差网络（GRNet）用于点云补全。具体而言，我们设计两个新颖的可微层，名为栅格化（Gridding）与反栅格化（Gridding Reverse），以在点云与 3D 栅格间转换且不丢失结构信息。我们还提出可微的立方特征采样层以提取邻域点特征，从而保留上下文信息。此外，我们设计一种新的损失函数，即栅格化损失（Gridding Loss），用于计算预测点云与真值点云的 3D 栅格间 L1 距离，有助于恢复细节。实验结果表明，所提 GRNet 在 ShapeNet、Completion3D 与 KITTI 基准上优于当前最优方法。
引用
@article{arxiv.2006.03761,
title = {GRNet: Gridding Residual Network for Dense Point Cloud Completion},
author = {Haozhe Xie and Hongxun Yao and Shangchen Zhou and Jiageng Mao and Shengping Zhang and Wenxiu Sun},
journal= {arXiv preprint arXiv:2006.03761},
year = {2020}
}
备注
ECCV 2020