面向点云重建的可学习Chamfer距离
计算机视觉与模式识别
2023-12-29 v1
摘要
由于点云是具有置换不变性的3D信号，大多数现有工作通过测量按预定义规则匹配的点云之间的平均点对点距离来训练其重建网络，以衡量形状差异。然而，静态匹配规则可能偏离实际形状差异。尽管一些工作提出了动态更新的可学习结构来替代匹配规则，但它们需要更多迭代才能良好收敛。在这项工作中，我们提出了一种简单但有效的重建损失，称为可学习Chamfer距离（LCD），通过动态关注由一组可学习网络控制的不同权重分布的匹配距离。通过对抗策略训练，LCD学习搜索重建结果中的缺陷并克服静态匹配规则的弱点，同时低迭代次数下的性能也可由基本匹配算法保证。在多个重建网络上的实验证实，LCD可以帮助实现更好的重建性能，提取更具代表性的表示，并具有更快的收敛速度和可比的训练效率。源代码提供在https://github.com/Tianxinhuang/LCDNet.git。
关键词
引用
@article{arxiv.2312.16582,
title = {Learnable Chamfer Distance for Point Cloud Reconstruction},
author = {Tianxin Huang and Qingyao Liu and Xiangrui Zhao and Jun Chen and Yong Liu},
journal= {arXiv preprint arXiv:2312.16582},
year = {2023}
}
备注
Accepted by Pattern Recognition Letters