NeeDrop：基于落针法的稀疏点云自监督形状表示
计算机视觉与模式识别
2021-12-03 v2 计算几何
机器学习
摘要
近来人们对隐式形状表示的增长兴趣日益明显。与显式表示相反，它们没有分辨率限制，且能轻松处理各种表面拓扑。为学习这些隐式表示，当前方法依赖于一定程度的形状监督（例如内外信息或到形状的距离知识），或至少需要一个稠密点云（以足够好地近似到形状的距离）。相比之下，我们提出 NeeDrop，一种从可能极度稀疏的点云中学习形状表示的自监督方法。如同 Buffon 落针问题，我们在点云上“掉落”（采样）针，并统计地认为靠近表面处针的端点位于表面的两侧。无需形状知识且点云可高度稀疏，例如车辆获取的 lidar 点云。先前的自监督形状表示方法在这类数据上无法产生高质量结果。我们在形状重建数据集上取得了与现有监督方法相当的定量结果，并在 KITTI 等困难的自动驾驶数据集上展示了有前景的定性结果。
引用
@article{arxiv.2111.15207,
title = {NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds using Needle Dropping},
author = {Alexandre Boulch and Pierre-Alain Langlois and Gilles Puy and Renaud Marlet},
journal= {arXiv preprint arXiv:2111.15207},
year = {2021}
}
备注
22 pages