REVNET: 基于向量神经元锚点 Transformer 的旋转等变点云补全

由 3D 传感器捕获的不完整点云通常会导致几何与语义信息的丢失。大多数现有的点云补全方法建立在旋转变化的框架之上，并使用规范姿态的数据进行训练，这限制了它们在真实场景中的适用性。虽然使用随机旋转的数据增强可以部分缓解这一问题，但它显著增加了学习负担，且仍无法保证在任意姿态下的稳健性能。为了应对这一挑战，我们提出了旋转等变锚点 Transformer (REVNET)，这是一种建立在向量神经元 (VN) 网络基础上的新颖框架，用于在任意旋转下进行稳健的点云补全。为了保留局部细节，我们将部分点云表示为等变锚点的集合，并设计了 VN 缺失锚点 Transformer 来预测缺失锚点的位置与特征。此外，我们使用旋转等变偏置公式和基于 ZCA 的层归一化扩展了 VN 网络，以提高特征表达能力。利用等变与不变 VN 特征之间的灵活转换，我们的模型能够更稳定地生成点坐标。实验结果表明，在等变设置下，我们的方法在合成 MVP 数据集上优于 SOTA 方法。在真实世界 KITTI 数据集上，无需输入姿态对齐，REVNET 与非等变网络相比取得了具有竞争力的结果。源代码将在 GitHub 上发布，网址为：https://github.com/nizhf/REVNET。