PU-GCN：基于图卷积网络的点云上采样
计算机视觉与模式识别
2021-03-30 v3 计算几何
机器学习
摘要
基于学习的点云上采样流程的有效性在很大程度上依赖于其中使用的上采样模块和特征提取器。对于点上采样模块，我们提出了一种称为 NodeShuffle 的新模型，它使用图卷积网络（GCN）来更好地从点的邻域中编码局部点信息。NodeShuffle 具有通用性，可纳入任何点云上采样流程。大量实验表明，NodeShuffle 能持续地改进最先进的上采样方法。在特征提取方面，我们还提出了一种新的多尺度点特征提取器，称为 Inception DenseGCN。通过聚合多尺度特征，该特征提取器使最终上采样点云的性能得到进一步提升。我们将 Inception DenseGCN 与 NodeShuffle 结合成一个称为 PU-GCN 的新点云上采样流程。PU-GCN 以更少的参数和更高效的推理确立了新的最先进性能。
引用
@article{arxiv.1912.03264,
title = {PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks},
author = {Guocheng Qian and Abdulellah Abualshour and Guohao Li and Ali Thabet and Bernard Ghanem},
journal= {arXiv preprint arXiv:1912.03264},
year = {2021}
}
备注
Get accepted to CVPR 2021. The source code of this work is available at https://github.com/guochengqian/PU-GCN