PU-Ray：基于神经隐式表面光线行进的域无关点云上采样

尽管基于深度学习的点云上采样方法近期取得进展，改善了智能交通系统的输入，但仍受合成与真实扫描点云间域依赖问题的困扰。本文通过提出一种任意倍率的基于光线的上采样新方法解决上述问题，该方法对每个查询光线及其对应面片进行深度预测。我们的新颖方法在由无符号距离函数（UDF）定义的神经隐式表面上模拟球体追踪光线行进算法，通过训练基于point-transformer的网络实现更精确稳定的光线深度预测。基于规则的中点查询采样方法生成分布更均匀的点，无需使用基于最近邻的重建损失函数训练的端到端模型，后者可能偏向训练数据集。利用输入点云内精确的地面真值，自监督学习成为可能。结果证明了该方法在跨域及计算资源与训练数据有限的训练场景中的通用性。对合成与真实扫描应用的综合分析为计算机视觉与图形学领域到ITS实际应用的上采样任务重要性提供了实证。