Aug, 2018

PCN: 点云补全网络

PDF
TL;DR本文提出了一种新的基于学习的方法 ——Point Completion Network（PCN），该方法直接在原始点云上操作而不需要任何结构假设或注释，并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明，PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。
shape completionpoint completion networklearning-based approachpoint cloudsdecoder design
发现论文，激发创造
  • Point-PC: 基于因果推断的先验知识引导的点云补全

    本研究提出了一种新的点云完整性方法 Point-PC，使用记忆网络检索形状先验，并设计了有效的因果推断模型来选择缺失的形状信息以帮助点云完整性。

    May, 2023

  • 基于体素的网络，通过利用边缘生成进行形状补全

    本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

    Aug, 2021

  • 基于骨架连接的点云补全：从全局推断到局部调整

    通过预测三维骨架以及从骨架点学习偏移量，提出了一种骨架桥接点完形网络（SK-PCN），将形状完形分解为结构估计和表面重建，并采用本地调整策略合并输入点云以进行表面细化。实验表明，相比于现有方法，该方法在点云和网格完成的各个对象类别上表现更好。

    Oct, 2020

  • PMP-Net: 学习多步点移动路径完成点云补全

    通过模拟地球移动的行为，在点云不完整的输入上将每个点移动以完成点云，同时保证点移动路径的总路径最短，我们设计了一种名为 PMP-Net 的新型神经网络实现点云预测。该网络在点级别上学习到了精细的拓扑结构和结构关系，并在 Completion3D 和 PCN 数据集上展示了超越现有技术的优势

    Dec, 2020

  • P2C: 来自单个部分点云的无监督点云补全

    Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.

    Jul, 2023

  • 基于修补的自监督点云补全

    本文通过自监督学习中的修补法算法 PointPnCNet，使用 LiDAR 数据进行点云补全，以解决遮挡问题，我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中，表现优于前人的无监督和弱监督方法。

    Nov, 2021

  • ME-PCN：基于掩码空洞的点云补全

    本文介绍了一种基于三维形状空间 “空洞” 特征的点完整性网络 ME-PCN，该网络能够在保留拓扑一致性和表面细节的前提下预测出完整的表面点云，实验表明 ME-PCN 优于现有技术并且采用了一种轻量级的 “空洞” 设计。

    Aug, 2021

  • 点云完整性的级联细化网络

    提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

    Apr, 2020

  • PC-RGNN: 三维物体检测的点云补全与图形神经网络

    本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

    Dec, 2020

  • 自我监督的点云补全级联优化网络

    提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

    Oct, 2020