基于 SIM(3) 等变性学习通用形状完成
计算机视觉与模式识别
2025-12-12 v3 人工智能
摘要
3D形状完成方法通常假设扫描被预先对齐到标准坐标系。这会泄露姿态和尺度线索，使网络可能记忆绝对位置而非推断内在几何。当实际数据中缺乏此类对齐时，性能会急剧下降。我们认为，鲁棒的泛化性要求网络对相似性群 SIM(3) 具有等变性，以保持对姿态和尺度的不可知。遵循这一原则，我们引入了首个 SIM(3) 等变形状完成网络，其模块化层依次对特征进行标准化、进行相似性不变几何推理，并恢复原始坐标系。在去偏评估协议下消除隐藏线索后，我们的模型在PCN基准上优于等变和数据增强基线，并在真实驾驶和室内扫描数据上创下跨域纪录，KITTI上的最小匹配距离降低17%，OmniObject3D上的切比雪夫距离 降低14%。在更严格的评估协议下，我们的方法仍优于竞争方法在偏好设置下的表现。这些结果确立了完全 SIM(3) 等变性是实现真正通用形状完成的有效途径。项目页面：https://sime-completion.github.io。
关键词
引用
@article{arxiv.2509.26631,
title = {Learning Generalizable Shape Completion with SIM(3) Equivariance},
author = {Yuqing Wang and Zhaiyu Chen and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2509.26631},
year = {2025}
}
备注
NeurIPS 2025