P2M2-Net：部件感知提示引导的多模态点云补全

从严重遮挡的点云中推断缺失区域极具挑战性。特别是对于具有丰富几何和结构细节的三维形状，未知部分存在固有的模糊性。现有方法要么以监督方式学习一对一映射，要么训练生成模型合成缺失点以完成三维点云形状。然而，这些方法缺乏对补全过程的可控性，结果要么是确定性的，要么表现出不受控制的多样性。受提示驱动数据生成和编辑的启发，我们提出了一种新颖的提示引导点云补全框架，称为P2M2-Net，以实现更可控和更多样化的形状补全。给定输入的部分点云和描述缺失区域部件感知信息（如语义和结构）的文本提示，我们基于Transformer的补全网络可以高效融合多模态特征，并按照提示引导生成多样化的结果。我们在新的大规模PartNet-Prompt数据集上训练P2M2-Net，并在两个具有挑战性的形状补全基准上进行了广泛实验。定量和定性结果表明，引入提示用于更可控的部件感知点云补全和生成是有效的。代码和数据可在https://github.com/JLU-ICL/P2M2-Net获取。