SnowflakeNet：基于带跳跃 Transformer 的雪花点反卷积的点云补全

点云补全旨在从部分观测中高精度地预测完整形状。然而，先前的方法通常受到点云的离散性质和局部区域中点的非结构化预测的困扰，这使得难以在完整形状上揭示精细的局部几何细节。为了解决这个问题，我们提出了带有雪花点反卷积的 SnowflakeNet 来生成完整的点云。SnowflakeNet 将完整点云的生成建模为 3D 空间中点的雪花状生长，其中子点在每次 SPD 后通过分裂其父点逐步生成。我们揭示详细几何的见解是在 SPD 中引入跳跃 Transformer 来学习最能拟合局部区域的点分裂模式。跳跃 Transformer 利用注意力机制总结先前 SPD 层中使用的分裂模式，以在当前 SPD 层中产生分裂。SPD 生成的局部紧凑且结构化的点云能够精确捕获局部面片中 3D 形状的结构特征，这使得网络能够预测高度详细的几何形状，例如平滑区域、锐利边缘和角落。我们的实验结果在广泛使用的基准下优于最先进的点云补全方法。代码将在 https://github.com/AllenXiangX/SnowflakeNet 提供。