PointLIE：用于点云采样与恢复的局部可逆嵌入
计算机视觉与模式识别
2021-05-03 v1
摘要
点云采样与恢复（PCSR）对于海量实时点云采集与处理至关重要，因为原始数据通常需要较大的存储与计算。在本文中，我们解决PCSR中的一个基本问题：如何以与情形无关的方式（即无需额外存储点关系）对任意尺度的稠密点云进行下采样，同时保留被丢弃点的局部拓扑？我们提出了一种用于点云自适应采样与恢复的 novel 局部可逆嵌入（PointLIE）。PointLIE不是以看似合理的方式学习预测底层几何细节，而是通过双向学习将点点云采样与上采样统一到单一框架中。具体而言，PointLIE在每个尺度上递归地采样并调整邻域点。然后将采样点的邻域偏移编码到潜空间，从而解耦采样点及相应的局部几何关系。一旦确定了潜空间且深度模型得到优化，恢复过程就可以通过将被恢复所满意的采样点和一个随机绘制的嵌入经由可逆操作传入同一网络来进行。这种方案能够保证从采样点进行稠密点恢复的保真度。大量实验表明，所提出的PointLIE在定量和定性上均优于现有最优方法。我们的代码已发布于 https://github.com/zwb0/PointLIE。
引用
@article{arxiv.2104.14769,
title = {PointLIE: Locally Invertible Embedding for Point Cloud Sampling and Recovery},
author = {Weibing Zhao and Xu Yan and Jiantao Gao and Ruimao Zhang and Jiayan Zhang and Zhen Li and Song Wu and Shuguang Cui},
journal= {arXiv preprint arXiv:2104.14769},
year = {2021}
}
备注
To appear in IJCAI 2021