PMP-Net:通过学习多步点移动路径实现点云补全

点云补全任务旨在为不完整的3D形状预测缺失部分。一种广泛使用的策略是从不完整点云生成完整点云。然而,点云的无序特性会降低高质量3D形状的生成效果,因为仅使用潜码的 generative process(生成过程)难以捕捉离散点的细致拓扑与结构。本文通过从新视角重新审视补全任务来解决上述问题,我们将预测表述为点云形变过程。具体而言,我们设计了一种名为PMP-Net的新型神经网络来模拟搬运工(earth mover)的行为。它将不完整输入的每个点移动以补全点云,其中点移动路径(PMP)的总距离应最短。因此,PMP-Net根据点移动总距离的约束为每个点预测一条唯一的点移动路径。结果,网络在点级别上学习到严格且唯一的对应关系,可捕捉不完整形状与完整目标之间的细致拓扑与结构关系,从而提升预测完整形状的质量。我们在Completion3D与PCN数据集上进行了综合实验,证明了相较于最先进点云补全方法的优势。