面向稳健点云恢复的伪查询双变换器

点云是计算机视觉中的基本 3D 表示，支持广泛的感知任务。然而，现实点云常因传感器限制或遮挡导致数据退化，包括不完整、噪声、离群值及不规则密度。从此类退化数据恢复干净且细致的几何形状对于下游应用至关重要。虽然现有基于学习的方法在完成或去噪等individual 任务上取得进展，但通常依赖全局瓶颈特征，丢失细粒度几何信息且对输入质量变化敏感。我们提出一种统一的 3D 恢复网络，直接输入点云并在多样化退化情景下自适应重构高质量几何。方法核心是置于变换器主干中的伪查询模块，将几何转换 reformulate 为两个协作阶段，增强结构清晰度、鲁棒性及局部细节保留。大量实验表明，该方法在通用 3D 恢复任务中超越现有 SOTA 水平，有效处理完成、变形与去噪退化的复杂组合。本工作提供一种新颖的统一、仅基于点云的主干网络，实现稳健 3D 恢复，提升 3D 感知的通用性。