ProxyFormer：基于代理对齐与缺失部分敏感 Transformer 的点云补全方法
计算机视觉与模式识别
2023-03-01 v1
摘要
设备缺陷或视角受限等问题会导致所采集的点云不完整。因此，从局部点云恢复完整点云在许多实际任务中至关重要，其关键之一在于缺失部分的预测。本文提出一种新颖的点云补全方法 ProxyFormer，该方法将点云划分为已有（输入）与缺失（待预测）部分，各部分通过其代理进行信息交互。具体而言，我们通过特征与位置提取器将信息融合至点代理，并基于已有点代理的特征生成缺失点代理的特征。随后，为更好地感知缺失点位置，我们设计了一种缺失部分敏感 Transformer，其将随机正态分布转换为合理的位置信息，并利用代理对齐精炼缺失代理。这使得预测的点代理对缺失部分的特征与位置更为敏感，从而更适用于后续的由粗到细过程。实验结果表明，我们的方法在多个基准数据集上优于当前最优的补全网络，且拥有最快的推理速度。代码见 https://github.com/I2-Multimedia-Lab/ProxyFormer。
引用
@article{arxiv.2302.14435,
title = {ProxyFormer: Proxy Alignment Assisted Point Cloud Completion with Missing Part Sensitive Transformer},
author = {Shanshan Li and Pan Gao and Xiaoyang Tan and Mingqiang Wei},
journal= {arXiv preprint arXiv:2302.14435},
year = {2023}
}
备注
Accepted by CVPR2023