与教师一起想象：以多视图蒸馏方式补全形状

点云补全旨在从由遮挡、传感器限制、噪声等引起的部分观测中恢复物体的完整 3D 形状。当一些关键语义信息在不完整点云中丢失时，神经网络需要根据输入信息推断缺失部分。直观上，我们会应用自编码器架构来解决这类问题，将不完整点云作为输入并以真实值进行监督。这种从不完整形状到完整形状发展模型想象力的过程是在潜在空间中自动完成的。但是从不完整到完整的映射知识仍然是未知的，有待进一步探索。受知识蒸馏中教师-学生学习策略的启发，我们设计了一种用于补全 3D 形状的知识转移方式。在这项工作中，我们提出了一种新颖的视图蒸馏点云补全网络 (VD-PCN)，它通过多视图蒸馏的方式解决补全问题。该设计方法充分利用了 2D 像素的有序性、2D 处理的灵活性以及 2D 网络的强大能力。在 PCN、ShapeNet55/34 和 MVP 数据集上的广泛评估从定量和定性两方面证实了我们设计和知识转移策略的有效性。为了促进正在进行的研究，我们将公开我们的代码。