概率式隐式场景补全

我们提出一种扩展至大规模 3D 场景连续几何的概率式形状补全方法。真实世界的 3D 场景扫描存在大量缺失数据，且与未分割物体混杂。形状补全问题本质上是不适定的，高质量结果需要可扩展的方案来考虑多种可能输出。我们采用生成式元胞自动机（Generative Cellular Automata），其学习多模态分布并将公式转化为处理大规模连续几何。局部连续形状作为稀疏体素嵌入逐步生成，其中每个被占据单元包含潜码。我们形式化地推导出，针对稀疏体素嵌入的训练目标最大化了完整形状分布的变分下界，因此我们的渐进式生成构成了有效的生成模型。实验表明，即使输入存在显著缺失数据，我们的模型也能成功生成多样且合理的场景，并与输入保持一致。我们还证明，即使在缺失数据较少、歧义较小的情况下，我们的方法也优于确定性模型，这说明概率式公式对于任何完整度水平的输入扫描实现高质量几何补全都至关重要。