预测缺失部分的细化增强点云补全
计算机视觉与模式识别
2020-10-12 v1 图形学
摘要
点云补全是利用点集表示对 3D 形状从部分观测中预测完整几何的任务。先前的方法提出神经网络，通过由不完整点集驱动的编码器-解码器模型直接估计整个点云。由于输出也包含已知的不完整输入几何，当前方法计算了冗余信息。本文提出一种端到端神经网络架构，专注于计算缺失几何并合并已知输入与预测点云。我们的方法由两个神经网络组成：缺失部分预测网络和合并-细化网络。第一个模块专注于从不完整输入中提取信息以推断缺失几何。第二个模块合并两个点云并改善点的分布。我们在 ShapeNet 数据集上的实验表明，我们的方法在点云补全上优于最先进的方法。我们方法和实验的代码可在 \url{https://github.com/ivansipiran/Refinement-Point-Cloud-Completion} 获取。
引用
@article{arxiv.2010.04278,
title = {Refinement of Predicted Missing Parts Enhance Point Cloud Completion},
author = {Alexis Mendoza and Alexander Apaza and Ivan Sipiran and Cristian Lopez},
journal= {arXiv preprint arXiv:2010.04278},
year = {2020}
}
备注
11 pages, 6 figures, conference