IPCD：内在点云分解
计算机视觉与模式识别
2025-11-14 v1
摘要
点云广泛应用于增强现实(AR)和机器人等各个领域，在这些领域中，重新照明和纹理编辑对于实现逼真的可视化至关重要。实现这些任务需要准确地将反照率与阴影分离。然而，在点云上执行这种分离面临两个关键挑战：(1) 点云的非网格结构使得传统的基于图像的分解模型失效；(2) 为其他任务设计的点云模型没有显式考虑全局光照方向，导致阴影不准确。在本文中，我们引入了**内在点云分解(IPCD)**，它将图像分解扩展到将彩色点云直接分解为反照率和阴影。为了克服挑战(1)，我们提出了**IPCD-Net**，它通过逐点特征聚合扩展了基于图像的模型，用于非网格数据处理。针对挑战(2)，我们引入了**基于投影的亮度分布(PLD)**，并采用层次化特征细化，通过多视角投影捕获全局光照线索。为了进行全面评估，我们创建了一个合成的室外场景数据集。实验结果表明，IPCD-Net减少了反照率中的投射阴影，并提高了阴影中的颜色准确性。此外，我们展示了其在纹理编辑、重新照明和不同光照条件下的点云配准中的应用。最后，我们验证了IPCD-Net在真实世界中的适用性。
引用
@article{arxiv.2511.09866,
title = {IPCD: Intrinsic Point-Cloud Decomposition},
author = {Shogo Sato and Takuhiro Kaneko and Shoichiro Takeda and Tomoyasu Shimada and Kazuhiko Murasaki and Taiga Yoshida and Ryuichi Tanida and Akisato Kimura},
journal= {arXiv preprint arXiv:2511.09866},
year = {2025}
}
备注
Accepted in WACV2026