利用局部距离指示器学习连续隐式场以实现任意尺度点云上采样

点云上采样旨在从稀疏点云生成密集且均匀分布的点集，这在 3D 计算机视觉中起着至关重要的作用。先前的方法通常将稀疏点云分割成几个局部补丁，对补丁点进行上采样，然后合并所有上采样后的补丁。然而，由于分割和合并过程无法保持局部补丁之间的一致性，这些方法经常产生孔洞、离群点或不均匀性。为了解决这些问题，我们提出了一种新颖的方法，通过学习由局部先验引导的无符号距离场来进行点云上采样。具体而言，我们训练了一个局部距离指示器 (LDI)，用于预测查询点到局部隐式表面的无符号距离。利用学习到的 LDI，我们学习一个无符号距离场来表示具有补丁一致性的稀疏点云。在推理时，我们在稀疏点云周围随机采样查询点，并将这些查询点投影到学习到的隐式场的零水平集上，以生成密集点云。我们论证了隐式场天然是连续的，这固有地使得任意尺度的上采样成为可能，而无需针对不同尺度重新训练。我们在合成数据和真实扫描数据上进行了全面的实验，并在广泛使用的基准测试中报告了最先进 (SOTA) 的结果。