多级精细化反卷积点云补全网络

点云作为三维对象的一种重要表示方法,已被广泛应用于机器视觉和计算机视觉等领域。然而由于扫描设备和外界复杂环境因素的影响,通过传感器采集到的目标物体的3D点云形状往往是有缺陷的。目前,大多数基于点云表示的形状补全网络通常都是经过一个简单的编码器-解码器(encoder-decoder)结构通过提取全局特征来预测完整点云形状。这不仅忽略了局部几何信息的重要性,同时会破坏原始输入点云的几何结构,造成位移损失。为了解决上述问题,提出了一个多级精细化反卷积点云补全网络。网络模型主要包含两部分:粗糙完整点云的生成和完整点云的平滑。通过一个包含反卷积操作的编码器-解码器网络只预测部分点云的缺失区域,将其与输入拼接得到粗糙的完整点云。通过将粗糙完整点云经过第二个基于注意力机制的编码器-解码器网络生成一个分布均匀的完整点云模型。在ShapeNet-Part数据集上进行的大量实验表明:不论是在量化还是可视化实验结果中,提出的网络模型都能取得更加理想的结果。

基于多编码器和Residual-Transformer的点云补全网络

点云数据具有无序和稀疏的特点。通过不完整点云数据恢复丢失的三维几何形状的3D点云补全任务是3D视觉技术中一个具有挑战性的问题。现有的3D点云补全网络一般都通过编码器-解码器(Encoder-Decoder)模型直接从部分点云预测完整的点云形状,这会干扰原始部分点云,引入噪声,导致几何位移损失。因此提出一个端到端的网络模型,集中生成平滑和分布均匀的点云对象。所提网络模型主要包含三部分:缺失点云预测、点云融合和点云平滑。第一个模块主要通过多编码器从残缺的点云对象提取局部和全局信息,预测缺失几何部分。第二个模块通过采样算法融合点云。第三个模块基于Residual-Transformer (RT)预测点位移,在避免破坏原始输入点云的空间结构下,可以使点分布得更加均匀。在基准数据集Shapenet-Part上,大量的实验结果表明,所提网络在3D形状补全方面取得了更好的量化结果和更好的视觉效果。