基于单部分点云多视角增强的自监督点云补全
计算机视觉与模式识别
2025-09-29 v1
摘要
点云补全旨在从部分观测中重建完整形状。尽管当前方法已取得显著性能，但它们仍存在一些局限性：监督方法严重依赖真实值，由于合成到真实的域差距，限制了其泛化到真实世界数据集的能力。无监督方法需要完整点云来组成不成对的训练数据，弱监督方法需要物体的多视角观测。现有的自监督方法由于自监督信号能力有限，经常产生不令人满意的预测。为克服这些挑战，我们提出了一种新颖的自监督点云补全方法。我们设计了一组基于单部分点云多视角增强的新型自监督信号。此外，为增强模型的学习能力，我们首先将 Mamba 引入自监督点云补全任务，鼓励模型生成质量更好的点云。在合成和真实世界数据集上的实验表明，我们的方法达到了最先进的结果。
引用
@article{arxiv.2509.22132,
title = {Self-Supervised Point Cloud Completion based on Multi-View Augmentations of Single Partial Point Cloud},
author = {Jingjing Lu and Huilong Pi and Yunchuan Qin and Zhuo Tang and Ruihui Li},
journal= {arXiv preprint arXiv:2509.22132},
year = {2025}
}