PointSea：基于自结构增强的点云补全

点云补全是 3D 视觉中一个基础但尚未完全解决的问题。当前方法通常依赖 3D 坐标信息和/或额外数据（例如图像和扫描视角）来填补缺失部分。与这些方法不同，我们探索了自结构增强，并提出了用于从全局到局部的点云补全方法 PointSea。在全局阶段，考虑到我们如何检查物理对象的缺陷区域，我们可能会从多个视角观察它以获得更好的理解。受此启发，PointSea 利用来自多视角的自投影深度图像来增强数据表示。为了从跨模态输入中重建紧凑的全局形状，我们引入了一个特征融合模块，以在视角内和视角间层面融合特征。在局部阶段，为了展现高度精细的结构，我们引入了一种称为自结构双生成器的点生成器。该生成器结合了学习到的形状先验和几何自相似性以进行形状细化。与对所有点采用统一策略的现有工作不同，我们的双路径设计根据每个点的结构类型调整细化策略，以解决每个点的特定不完整性问题。在广泛使用的基准上的综合实验表明，PointSea 能够从不完整的输入中有效理解全局形状并生成局部细节，相较于现有方法展现出明显的改进。