骨架桥接点补全：从全局推断到局部调整
计算机视觉与模式识别
2020-10-16 v1
摘要
点补全旨在从部分点云中补全物体的缺失几何。现有工作通常通过对输入点编码得到的潜特征进行解码来估计缺失形状。然而，真实世界物体通常具有多样的拓扑与表面细节，单一潜特征可能不足以表征以恢复干净且完整的表面。为此，我们提出一种骨架桥接的点补全网络（SK-PCN）用于形状补全。给定部分扫描，我们的方法首先预测其 3D 骨架以获取全局结构，并通过学习从骨架点的位移来完成表面。我们将形状补全解耦为结构估计与表面重建，降低了学习难度并有助于方法获取表面上的细节。此外，考虑到编码输入点时的缺失特征，SK-PCN 采用局部调整策略，将输入点云合并至我们的预测中以细化表面。与先前方法相比，我们的骨架桥接方式更好地支持点法向估计，从而获得超越点云的完整表面网格。在点云与网格补全上的定性与定量实验表明，我们的方法在各物体类别上均优于现有方法。
引用
@article{arxiv.2010.07428,
title = {Skeleton-bridged Point Completion: From Global Inference to Local Adjustment},
author = {Yinyu Nie and Yiqun Lin and Xiaoguang Han and Shihui Guo and Jian Chang and Shuguang Cui and Jian Jun Zhang},
journal= {arXiv preprint arXiv:2010.07428},
year = {2020}
}
备注
Accepted by NeurIPS 2020; Project Page: https://yinyunie.github.io/SKPCN-page/