VPC-Net：基于MLS点云的车辆三维补全
计算机视觉与模式识别
2021-02-02 v2
摘要
作为城市场景道路环境中动态且关键的组成部分，车辆是最受关注的调查对象。为监控其行为并提取其几何特征，对车辆进行准确且即时的测量在交通与运输领域起着至关重要的作用。移动激光扫描（MLS）系统获取的点云以前所未有的细节提供道路场景的三维信息。它们已被证明是智能交通与自动驾驶领域尤其是车辆提取的合适数据源。然而，由于物体遮挡或自遮挡，从MLS系统获取的车辆三维点云不可避免地不完整。为解决此问题，我们提出了一种从MLS数据合成完整、密集且均匀车辆点云的神经网络，名为车辆点云补全网络（VPC-Net）。该网络中，我们引入新的编码器模块从输入实例提取全局特征，由空间变换网络和点特征增强层组成。此外，还提出新的细化模块以保留输入中的车辆细节并用细粒度信息精炼完整输出。给定稀疏且局部的点云作为输入，该网络能生成完整且真实的车辆结构并保留局部输入中的细粒度细节。我们在使用合成与真实扫描数据集的不同实验中评估了所提VPC-Net，并将结果应用于三维车辆监控任务。定量与定性实验展示了所提VPC-Net的良好性能并取得了最先进结果。
引用
@article{arxiv.2008.03404,
title = {VPC-Net: Completion of 3D Vehicles from MLS Point Clouds},
author = {Yan Xia and Yusheng Xu and Cheng Wang and Uwe Stilla},
journal= {arXiv preprint arXiv:2008.03404},
year = {2021}
}
备注
accepted by ISPRS Journal of Photogrammetry and Remote Sensing