PvDeConv：用于三维 CAD 构造点云自编码的点-体素反卷积
计算机视觉与模式识别
2021-01-13 v1 机器学习
摘要
我们提出一种用于三维数据自编码器的点-体素反卷积（PVDeConv）模块。为证明其效率，我们学习合成包含 1 万点、密集描述计算机辅助设计（CAD）模型底层几何结构的高分辨率点云。在 fabricated CAD 物体的真实三维扫描中，扫描伪影（如突起、缺失部分、平滑边缘与孔洞）不可避免地出现。从三维扫描学习原始 CAD 模型构造，需要物体对应的真实值与三维扫描同时可用。为弥补这一缺口，我们引入一个新的专用数据集 CC3D，包含 5 万对以上的 CAD 模型及其对应三维网格。该数据集用于学习一个卷积自编码器，处理从三维扫描–CAD 模型配对中采样的点云。与其他在 ShapeNet 上训练的生成式点云采样模型相比，展示了这一新数据集的挑战性。相较于最先进的二维数据生成模型，CC3D 自编码器在内存消耗与训练时间上均具高效性。
引用
@article{arxiv.2101.04493,
title = {PvDeConv: Point-Voxel Deconvolution for Autoencoding CAD Construction in 3D},
author = {Kseniya Cherenkova and Djamila Aouada and Gleb Gusev},
journal= {arXiv preprint arXiv:2101.04493},
year = {2021}
}
备注
2020 IEEE International Conference on Image Processing (ICIP)