用于半监督点云补全的重建感知先验蒸馏
计算机视觉与模式识别
2023-07-25 v4
摘要
真实世界传感器常产生不完整、不规则且含噪的点云，使得点云补全日益重要。然而，大多数现有补全方法依赖大量成对数据集进行训练，成本高昂。本文提出RaPD，一种减少成对数据集需求的新型半监督点云补全方法。RaPD采用两阶段训练方案：阶段1从未成对的完整与不完整点云中学习深层语义先验；阶段2引入半监督先验蒸馏过程，仅使用少量成对样本训练补全网络。此外，引入自监督补全模块以利用未成对不完整点云提升性能。在多个数据集上的实验表明，RaPD在同源与异源场景下均优于以往方法。
引用
@article{arxiv.2204.09186,
title = {Reconstruction-Aware Prior Distillation for Semi-supervised Point Cloud Completion},
author = {Zhaoxin Fan and Yulin He and Zhicheng Wang and Kejian Wu and Hongyan Liu and Jun He},
journal= {arXiv preprint arXiv:2204.09186},
year = {2023}
}
备注
Accepted to IJCAI 2023