PointAttN：点云补全仅需注意力
计算机视觉与模式识别
2022-03-17 v1
摘要
点云补全意指从残缺的三维点云中补全三维形状，是三维点云分析任务中的基础问题。得益于深度神经网络的发展，点云补全研究近年取得长足进展。然而，现有方法所涉及的 kNN 等显式局部区域划分使其对点云密度分布敏感。此外，其感受野有限，阻碍了对长程上下文信息的特征捕捉。为解决这些问题，我们利用交叉注意力与自注意力机制设计新型神经网络，以逐点方式处理点云，从而消除 kNN。我们提出两个关键模块——几何细节感知（GDP）与自特征增强（SFA），通过注意力机制以简洁有效的方式直接建立点间短程与长程结构关系。进而基于 GDP 与 SFA，我们构建了采用流行编码器-解码器架构的点云补全新框架。所提框架名为 PointAttN，简洁、清晰且有效，可精准捕捉三维形状结构信息并预测具高度细节几何的完整点云。实验结果表明，在 Completion3D 与 PCN 等流行基准上，我们的 PointAttN 大幅优于最先进的（SOTA）方法。代码见：https://github.com/ohhhyeahhh/PointAttN
引用
@article{arxiv.2203.08485,
title = {PointAttN: You Only Need Attention for Point Cloud Completion},
author = {Jun Wang and Ying Cui and Dongyan Guo and Junxia Li and Qingshan Liu and Chunhua Shen},
journal= {arXiv preprint arXiv:2203.08485},
year = {2022}
}