SVDFormer：通过自视图增强与自结构双生成器补全点云
计算机视觉与模式识别
2023-08-15 v2
摘要
本文提出一种新颖网络SVDFormer，以解决点云补全中的两个具体挑战：从不完整点云理解忠实的全局形状，以及生成高精度的局部结构。现有方法或仅使用3D坐标感知形状模式，或引入具有精确标定内参的额外图像以引导缺失部分的几何估计。然而，这些方法并未始终充分利用可用于准确高质量点云补全的跨模态自结构。为此，我们首先设计了一个自视图融合网络，利用多视图深度图像信息观察不完整的自身形状并生成紧凑的全局形状。为揭示高度精细的结构，我们随后引入一个称为自结构双生成器的细化模块，其中融入学习到的形状先验与几何自相似性以生成新点。通过感知每个点的不完整度，双路径设计依据各点的结构类型解耦细化策略。SVDFormer吸收了自结构的智慧，避免了任何额外的配对信息（如具有精确标定相机内参的彩色图像）。综合实验表明，我们的方法在广泛使用基准上取得了最先进的性能。代码将发布于 https://github.com/czvvd/SVDFormer。
引用
@article{arxiv.2307.08492,
title = {SVDFormer: Complementing Point Cloud via Self-view Augmentation and Self-structure Dual-generator},
author = {Zhe Zhu and Honghua Chen and Xing He and Weiming Wang and Jing Qin and Mingqiang Wei},
journal= {arXiv preprint arXiv:2307.08492},
year = {2023}
}
备注
Accepted by ICCV 2023