用于鲁棒三维分类的变分关系点云补全网络
计算机视觉与模式识别
2023-04-19 v1 机器学习
摘要
真实扫描的点云常因视角、遮挡和噪声而不完整，这阻碍了三维几何建模与感知。现有的点云补全方法倾向于生成全局形状骨架，因而缺乏精细的局部细节。此外，它们大多学习确定性的部分到完整映射，却忽略了人造物体中的结构关系。为应对这些挑战，本文提出一种变分框架——变分关系点云补全网络（VRCNet），具有两个引人注目的特性：1）概率建模。具体而言，我们提出双路径架构以在部分与完整点云间实现有原则的概率建模。一条路径通过学习的点VAE消费完整点云进行重建。另一条路径为部分点云生成完整形状，其嵌入分布在训练期间由重建路径获得的分布引导。2）关系增强。具体地，我们精心设计了点自注意力核与点选择性核模块来利用关系点特征，从而在粗补全的条件下细化局部形状细节。此外，我们贡献了多视角部分点云数据集（MVP与MVP-40数据集），包含超过200,000次高质量扫描，对每个三维CAD模型从26个均匀分布的相机位姿渲染部分三维形状。大量实验表明，VRCNet在所有标准点云补全基准上优于最先进方法。值得注意的是，VRCNet在真实世界点云扫描上展现出极佳的泛化性与鲁棒性。此外，借助VRCNet我们可实现针对部分点云的鲁棒三维分类，能大幅提升分类精度。
引用
@article{arxiv.2304.09131,
title = {Variational Relational Point Completion Network for Robust 3D Classification},
author = {Liang Pan and Xinyi Chen and Zhongang Cai and Junzhe Zhang and Haiyu Zhao and Shuai Yi and Ziwei Liu},
journal= {arXiv preprint arXiv:2304.09131},
year = {2023}
}
备注
12 pages, 10 figures, accepted by PAMI. project webpage: https://mvp-dataset.github.io/. arXiv admin note: substantial text overlap with arXiv:2104.10154