点云上采样在全局与局部输入中的表征学习
计算机视觉与模式识别
2025-12-04 v3 人工智能
摘要
近年来，点云上采样已被广泛应用于 3D 重建和目标识别等任务。本研究提出了一种新框架 ReLPU，通过显式学习点云的全局和局部结构特征来提升上采样性能。具体而言，我们从均匀分段输入（Average Segments）中提取全局特征，从相同点云的 patch 基输入中提取局部特征。这两种特征通过平行自编码器处理、融合，然后输入共享的解码器进行上采样。这种双输入设计提高了特征的完整性和跨尺度一致性，尤其在稀疏和噪声区域效果显著。我们将该框架应用于多个最先进的自编码器网络，并在标准数据集上进行验证。实验结果表明，该方法在几何保真度和鲁棒性方面均实现了持续的改进。此外，显著图确认，平行的全局-局部学习显著增强了点云上采样的可解释性和性能。
引用
@article{arxiv.2501.07076,
title = {Representation Learning of Point Cloud Upsampling in Global and Local Inputs},
author = {Tongxu Zhang and Bei Wang},
journal= {arXiv preprint arXiv:2501.07076},
year = {2025}
}