基于测地注意层次特征学习的流形感知点云完成
计算机视觉与模式识别
2025-12-08 v1
摘要
点云完成旨在从部分或稀疏的 3D 观测中恢复几何一致的形状。虽然最近的方法在全球形状重建方面取得了相当好的效果，但它们往往依赖于欧几里得距离，忽略了点云的内在非线性几何结构，导致几何一致性和语义歧义次优。本文提出了一种流形感知点云完成框架，显式地在特征学习管道中融入非线性几何信息。我们的ethods 引入了两个关键模块：测地距离近似器（GDA），用于捕捉点之间测地距离以获取潜在流形拓扑；以及流形感知特征提取器（MAFE），利用基于测地的 k-NN 分组和测地关系注意力机制以引导层次特征提取过程。通过整合测地感知关系注意力，我们的方法在重建点云中促进了语义一致性和结构保真度。广泛的基准数据集上的实验表明，我们的方法在重建质量方面 consistently 超过了最先进的方法。
引用
@article{arxiv.2512.05710,
title = {Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning},
author = {Jianan Sun and Dongzhihan Wang and Mingyu Fan},
journal= {arXiv preprint arXiv:2512.05710},
year = {2025}
}