PCN：点云补全网络
计算机视觉与模式识别
2019-09-30 v3 机器人学
摘要
形状补全，即从部分观测估计物体完整几何的问题，处于许多视觉与机器人应用的核心。本工作中，我们提出 Point Completion Network (PCN)，一种基于学习的形状补全新方法。不同于现有形状补全方法，PCN 直接在原始点云上操作，无需关于底层形状的任何结构假设（如对称性）或标注（如语义类别）。其解码器设计能够在保持少量参数的同时生成细粒度补全结果。我们的实验表明，PCN 在具有不同程度不完整性与噪声的输入（包括 KITTI 数据集中来自 LiDAR 扫描的汽车）上，能在缺失区域产生具有真实结构的稠密、完整点云。
引用
@article{arxiv.1808.00671,
title = {PCN: Point Completion Network},
author = {Wentao Yuan and Tejas Khot and David Held and Christoph Mertz and Martial Hebert},
journal= {arXiv preprint arXiv:1808.00671},
year = {2019}
}
备注
3DV 2018 oral. Honorable mention for Best Paper award