基于雪flake点反卷积与Skip-Transformer的点云补全与生成
计算机视觉与模式识别
2022-10-31 v3
摘要
大多数现有的点云补全方法受于点云的离散特性以及局部区域中点的非结构化预测，难以揭示精细的局部几何细节。为解决此问题，我们提出带有雪flake点反卷积（SPD）的SnowflakeNet以生成完整点云。SPD将点云的生成建模为点的类雪flake生长，其中子点在每次SPD后通过分裂其父点逐步生成。我们对细节几何的见解是，在SPD中引入skip-transformer以学习最能拟合局部区域的点分裂模式。skip-transformer利用注意力机制总结前一层SPD中使用的分裂模式，以产生当前层的分裂。SPD生成的局部紧凑且结构化的点云精确揭示了局部块中3D形状的结构特征，使我们能够预测高度详细的几何。此外，由于SPD是一种不限于补全的通用操作，我们探索了其在其他生成任务中的应用，包括点云自编码、生成、单图像重建和上采样。我们的实验结果表明在广泛使用的基准下优于最先进的方法。
引用
@article{arxiv.2202.09367,
title = {Snowflake Point Deconvolution for Point Cloud Completion and Generation with Skip-Transformer},
author = {Peng Xiang and Xin Wen and Yu-Shen Liu and Yan-Pei Cao and Pengfei Wan and Wen Zheng and Zhizhong Han},
journal= {arXiv preprint arXiv:2202.09367},
year = {2022}
}
备注
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2022. This work is a journal extension of our ICCV 2021 paper arXiv:2108.04444 . The first two authors contributed equally