PMP-Net++：基于 Transformer 增强多步点移动路径的点云补全

点云补全旨在预测不完整三维形状的缺失部分。一种常见策略是根据不完整输入生成完整形状。然而，点云的无序特性会降低高质量三维形状的生成质量，因为在利用提取的潜码进行生成的过程中，无序点的详细拓扑与结构难以被捕捉。我们通过将补全表述为点云形变过程来解决该问题。具体而言，我们设计了一个名为 PMP-Net++ 的新型神经网络来模拟搬运工的行为。它将不完整输入的每个点移动到获得完整点云的位置，其中点移动路径（PMPs）的总距离应最短。因此，PMP-Net++ 根据点移动距离的约束为每个点预测唯一的 PMP。该网络在点级别上学习严格且唯一的对应关系，从而提升了预测完整形状的质量。此外，由于点的移动严重依赖于网络学习的逐点特征，我们进一步引入了 Transformer 增强的表示学习网络，显著提升了 PMP-Net++ 的补全性能。我们在形状补全上进行了全面实验，并进一步探索了在点云上采样上的应用，结果表明 PMP-Net++ 相较最先进的点云补全/上采样方法取得了显著的改进。