基于结构化特征图与反馈网络的点云补全
计算机视觉与模式识别
2022-09-15 v2
摘要
本文从特征学习的角度解决具有挑战性的点云补全问题。我们的核心观察是，给定部分输入，要恢复底层结构与表面细节，一个基本组件是能够同时捕捉全局结构与局部几何细节的良好特征表示。据此，我们首先提出FSNet，一种特征结构化模块，可通过从局部区域学习多个潜在模式，将点级特征自适应地聚合为2D结构化特征图。随后我们将FSNet集成到由粗到细的点云补全流水线中。具体而言，采用2D卷积神经网络将FSNet的特征图解码为粗糙而完整的点云。接着，使用点云上采样网络从部分输入与粗糙中间输出生成稠密点云。为有效利用局部结构并增强点分布均匀性，我们提出IFNet，一种带自校正机制的点上采样模块，可逐步细化所生成稠密点云的细节。我们在ShapeNet、MVP与KITTI数据集上进行了定性与定量实验，表明我们的方法优于最先进（state-of-the-art）的点云补全方法。
引用
@article{arxiv.2202.08583,
title = {Point cloud completion via structured feature maps using a feedback network},
author = {Zejia Su and Haibin Huang and Chongyang Ma and Hui Huang and Ruizhen Hu},
journal= {arXiv preprint arXiv:2202.08583},
year = {2022}
}
备注
to be published in journel of computational visual media