MBPU: 基于 Mamba 架构的点云上采样插拨式状态空间模型，具快速点渲染能力
计算机视觉与模式识别
2024-10-22 v1
摘要
点云上采样（PCU）任务旨在从由 3D 传感器（如 LiDAR）捕获的稀疏输入生成密集且均匀的点云，具有实际应用潜力，但仍是一个具有挑战性的任务。现有的深度学习方法在该领域取得了显著成果。然而，这些方法仍面临在有效处理长序列和解决点云表面缩小制造缺陷方面的局限性。受新近提出的 Mamba 方法启发，本文引入一种基于 Mamba 架构构建的网络，名为 MBPU，能够在大规模点云上采样中表现良好，并实现快速收敛速度。此外，MBPU 是一个任意比例上采样框架，因为其在点细化阶段的点距离预测器。同时，我们同时预测 3D 位置偏移和 1D 点到点距离作为回归量，以约束全局特征，同时确保局部细节的准确性。我们还引入了一个快速可微渲染器，进一步提高上采样点云的保真度并减少制造缺陷。值得注意的是，凭借快速点渲染的优势，MBPU 通过有效消除表面噪声，生成高质量的上采样点云。大量实验表明，MBPU 在点云上采样方面优于其他即插即用方法，尤其是在大规模点云方面。
引用
@article{arxiv.2410.15941,
title = {MBPU: A Plug-and-Play State Space Model for Point Cloud Upsamping with Fast Point Rendering},
author = {Jiayi Song and Weidong Yang and Zhijun Li and Wen-Ming Chen and Ben Fei},
journal= {arXiv preprint arXiv:2410.15941},
year = {2024}
}