旋转不变补全网络
计算机视觉与模式识别
2024-01-01 v1
摘要
真实世界点云常存在不完整且呈现不同位姿。当前点云补全方法擅长复现与训练集中一致位姿的完整点云，但在处理具多样位姿的点云时性能往往不尽如人意。我们提出名为旋转不变补全网络（RICNet）的网络，其由两部分组成：双流水线补全网络（DPCNet）与增强模块。首先，DPCNet 生成粗粒度完整点云。DPCNet 的特征提取模块可提取一致特征，无论输入点云是否经历旋转或平移。随后，增强模块细化最终生成点云的细粒度细节。RICNet 在特征提取中实现更优旋转不变性，并融入人造物体的结构关系。为评估 RICNet 与现有方法在多样位姿点云上的性能，我们对 MVP 数据集中的点云施加随机变换并实验。实验表明，RICNet 相较现有方法展现出更优补全性能。
引用
@article{arxiv.2308.11979,
title = {Rotation-Invariant Completion Network},
author = {Yu Chen and Pengcheng Shi},
journal= {arXiv preprint arXiv:2308.11979},
year = {2024}
}
备注
12 pages, accepted to PRCV 2023 (The 6th Chinese Conference on Pattern Recognition and Computer Vision)