基于修复的自监督点云补全
计算机视觉与模式识别
2021-11-23 v1 机器学习
摘要
在城市环境中导航时，许多需要被跟踪和避让的物体都被严重遮挡。使用这些部分扫描进行规划与跟踪可能颇具挑战。本工作的目标是学习补全这些部分点云，仅利用部分观测即可让我们完整理解物体的几何结构。以往方法在完整、真实标注的目标物体帮助下实现这一点，而这些标注仅存在于模拟数据集中。然而，真实世界 LiDAR 数据并不可得此类真实标注。本工作中，我们提出一种自监督点云补全算法 PointPnCNet，其仅在部分扫描上训练，且不假设可获取完整、真实标注。我们的方法通过修复（inpainting）实现。我们移除输入数据的一部分，并训练网络补全缺失区域。由于难以判定初始点云中哪些区域被遮挡、哪些被人为移除，我们的网络学习补全整个点云，包括初始部分点云中的缺失区域。我们表明，在合成数据集 ShapeNet 与真实世界 LiDAR 数据集 Semantic KITTI 上，我们的方法均优于以往的无监督与弱监督方法。
引用
@article{arxiv.2111.10701,
title = {Self-Supervised Point Cloud Completion via Inpainting},
author = {Himangi Mittal and Brian Okorn and Arpit Jangid and David Held},
journal= {arXiv preprint arXiv:2111.10701},
year = {2021}
}
备注
BMVC 2021 (Oral)