HGACNet：用于跨模态点云完成的层次图注意力网络
机器人学
2025-09-18 v1
摘要
点云完成是机器人感知、对象重建以及支持抓取规划、障碍规避和操作等下游任务的关键技术。然而，由于自遮挡和传感器限制导致的几何不完整性会显著降低下游推理和交互效果。为此，我们提出了HGACNet（Hierarchical Graph Attention Network for Cross-Modal Point Cloud Completion），一种新颖的框架，通过层次编码3D几何特征并融合来自单视图RGB图像的图像引导先验，重建单个物体的完整点云。本方法的核心在于，层次图注意力（HGA）编码器通过基于图注意力的下采样自适应选择关键局部点，并逐层细化几何特征以更好地捕捉结构连续性和空间关系。为强化跨模态交互，我们进一步设计了多尺度跨模态融合（MSCF）模块，通过注意力机制对层次几何特征与结构化视觉表示进行对齐，实现精细的语义引导。此外，我们提出对比损失（C-Loss）以显式对齐跨模态的特征分布，提高在模态差异下的完成质量。最后，在ShapeNet-ViPC基准数据集和YCB-Complete数据集上进行大量实验表明，HGACNet有效果，展示了最先进的性能以及在实际机器人操作任务中的强大适用性。
引用
@article{arxiv.2509.13692,
title = {HGACNet: Hierarchical Graph Attention Network for Cross-Modal Point Cloud Completion},
author = {Yadan Zeng and Jiadong Zhou and Xiaohan Li and I-Ming Chen},
journal= {arXiv preprint arXiv:2509.13692},
year = {2025}
}
备注
9 pages, 6 figures