用于点云补全的局部位移学习

我们提出了一种新方法，旨在从表示为三维点云的部分扫描中实现物体与语义场景补全。我们的架构依赖于三个新颖的层，它们在编码器-解码器结构中依次使用，并针对当前任务专门开发。第一个层通过将点特征与一组预训练的局部描述子进行匹配来完成特征提取。接着，为避免在标准操作（如最大池化）中丢失个体描述子，我们提出了一种替代的邻域池化操作，该操作采用具有最高激活值的特征向量。最后，解码器中的上采样修改了我们的特征提取以增加输出维度。尽管该模型已能与最先进水平取得有竞争力的结果，我们进一步提出了一种增强我们方法处理点云通用性的途径。为此，我们引入了第二个模型，将我们的层组装于一个 transformer 架构中。我们在物体与室内场景补全任务上评估了两种架构，取得了最先进的性能。