iPUNet：迭代交叉场引导的点云上采样
计算机视觉与模式识别
2023-10-16 v1
摘要
3D扫描设备获取的点云通常稀疏、含噪且非均匀，导致几何特征丢失。为提升点云在下游应用中的可用性，针对此类输入，我们提出一种基于学习的点上采样方法，即iPUNet，它以任意比例生成稠密且均匀的点，并更好地捕捉尖锐特征。为生成特征感知的点，我们引入通过自监督与尖锐几何特征对齐的交叉场来引导点生成。给定交叉场定义的标架，我们在每个输入点学习一个局部参数化曲面，从而实现任意比例上采样。所学曲面以邻域点和2D切平面坐标为输入，映射到3D中的连续曲面，于其上可采样任意比例的输出点。为解决输入点非均匀问题，在交叉场引导上采样之上，我们进一步引入迭代策略，在每轮迭代中将稀疏点移至期望的连续3D曲面上以细化点分布。仅经少量迭代，稀疏点即均匀分布，其对应稠密样本更均匀且更好捕捉几何特征。通过对物体与场景多样扫描的广泛评估，我们证明iPUNet能稳健处理含噪与非均匀分布输入，并优于最先进的点云上采样方法。
引用
@article{arxiv.2310.09092,
title = {iPUNet:Iterative Cross Field Guided Point Cloud Upsampling},
author = {Guangshun Wei and Hao Pan and Shaojie Zhuang and Yuanfeng Zhou and Changjian Li},
journal= {arXiv preprint arXiv:2310.09092},
year = {2023}
}