PU-EVA：一种基于边向量的柔性尺度点云上采样近似方案
计算机视觉与模式识别
2022-04-25 v1
摘要
高质量点云对于点基渲染、语义理解和表面重建具有实际意义。对稀疏、含噪且非均匀的点云进行上采样，以获得对目标物体更稠密、更规则的近似，是一项理想但极具挑战的任务。大多数现有方法通过复制点特征来进行上采样，将上采样尺度限制为固定倍率。本工作中，我们通过基于边向量的仿射组合实现了柔性上采样倍率，并提出了一种新颖的基于边向量的柔性尺度点云上采样近似方法（PU-EVA）。该基于边向量的近似通过基于边向量的仿射组合来编码邻域连通性，并将近似误差限制在泰勒展开的二阶项内。EVA 上采样将上采样尺度与网络架构解耦，在单次训练中实现了柔性上采样倍率。定性与定量评估表明，所提出的 PU-EVA 在贴近表面度、分布均匀性以及几何细节保持方面优于当前最优方法。
引用
@article{arxiv.2204.10750,
title = {PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling},
author = {Luqing Luo and Lulu Tang and Wanyi Zhou and Shizheng Wang and Zhi-Xin Yang},
journal= {arXiv preprint arXiv:2204.10750},
year = {2022}
}