基于隐式神经表示的自监督任意尺度点云上采样
计算机视觉与模式识别
2022-04-19 v1 图形学
摘要
点云上采样是一项具有挑战性的任务，旨在从给定的稀疏输入生成密集且均匀的点云。大多数现有方法要么采用基于端到端监督学习的方式，利用大量稀疏输入与密集真值对作为监督信息；要么将不同尺度因子的上采样视为独立任务，不得不构建多个网络来处理不同因子的上采样。在本文中，我们提出一种新方法，同时实现自监督且放大倍数灵活的点云上采样。我们将点云上采样表述为在隐式曲面上为种子点寻找最近投影点的任务。为此，我们定义两个隐式神经函数分别估计投影方向与距离，可通过两个 pretext learning（ pretext 学习）任务进行训练。实验结果表明，我们基于自监督学习的方案取得了与基于监督学习的最先进方法相当甚至更优的性能。源代码公开于 https://github.com/xnowbzhao/sapcu。
引用
@article{arxiv.2204.08196,
title = {Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation},
author = {Wenbo Zhao and Xianming Liu and Zhiwei Zhong and Junjun Jiang and Wei Gao and Ge Li and Xiangyang Ji},
journal= {arXiv preprint arXiv:2204.08196},
year = {2022}
}