RL-AD-Net：基于强化学习在潜在空间中进行自适应位移，用于完善点云
计算机视觉与模式识别
2025-11-24 v1
摘要
最近的点云完成模型，包括基于转换器的、基于去噪的以及其他最新方法，能够从部分输入生成全局合理的形状，但常留下局部几何不一致。我们提出了 RL-AD-Net，一个在预训练点自动编码器的潜在空间中运行的强化学习 (RL) 精炼框架。自动编码器将完成结果编码为紧凑的全局特征向量 (GFV)，由 RL 智能体有选择地调整以提高几何保真度。为确保鲁棒性，一个轻量级非参数的 PointNN 选择器评估原始完成结果和 RL 精炼输出的几何一致性，保留更好的重建。当真实标签可用时，Chamfer Distance 和几何一致性指标都用于指导精炼。由于无监督且动态的 RL 性质，跨多个类别的收敛具有挑战性，因此我们按类别单独进行训练。尽管如此，该框架可以扩展到未来的多类别精炼。在 ShapeNetCore-2048 上的实验表明，基线完成网络在其训练风格的裁剪下表现合理，但在随机裁剪场景中挣扎。相比之下，RL-AD-Net 在两种设置下都能持续提供改进，凸显了 RL 指导的集成精炼的有效性。该方法轻量级、模块化且与模型无关，使其能够无需重新训练地适用于广泛的完成网络。
关键词
引用
@article{arxiv.2511.17054,
title = {RL-AD-Net: Reinforcement Learning Guided Adaptive Displacement in Latent Space for Refined Point Cloud Completion},
author = {Bhanu Pratap Paregi and Vaibhav Kumar},
journal= {arXiv preprint arXiv:2511.17054},
year = {2025}
}