Simba：基于变换扩散实现高保真几何一致点云补全
计算机视觉与模式识别
2025-11-21 v1
摘要
点云补全是3D视觉中的一个基础任务。该领域的一个持续挑战是同时保持输入中细粒度细节的同时，确保已完成形状的全局结构完整性。虽然最近的工作利用通过直接回归实现的局部对称变换显著提高了几何结构细节的保持，但这些方法存在两个主要局限性：（1）这些基于回归的方法容易过拟合，倾向于记忆特定的变换而不是学习可通用的几何先验。（2）它们依赖于点级变换回归，导致对输入噪声高度敏感，严重降低鲁棒性和泛化能力。为解决这些挑战，我们引入Simba，一个重新表述点级变换回归为分布学习问题的新框架。我们的ethods整合了对称性先验与扩散模型的强大生成能力，避免特定记忆，同时捕获稳健的几何结构。此外，我们引入基于层次Mamba架构来实现高保真上采样。在PCN、ShapeNet和KITTI基准测试上的广泛实验验证了我们方法的时代最佳（SOTA）性能。
引用
@article{arxiv.2511.16161,
title = {Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion},
author = {Lirui Zhang and Zhengkai Zhao and Zhi Zuo and Pan Gao and Jie Qin},
journal= {arXiv preprint arXiv:2511.16161},
year = {2025}
}
备注
Accepted for publication at the 40th AAAI Conference on Artificial Intelligence (AAAI-26)