Cycle4Completion: 使用循环转换和缺失区域编码的非配对点云补全
通过基于学习的方法,利用生成建模和潜在流形优化来完成不完整的三维形状,我们的算法直接处理点云数据,成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。
Jul, 2018
本论文提出了一种基于多视角的3D物体形状填充方法,通过学习使用神经网络完成每个深度图像,能够在保证不过度远离已学习形状描述符的前提下,在多个视角之间实现几何一致性,优于之前的完成技术。
Nov, 2019
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
本文提出了一种Skip-Attention Network(SA-Net)算法,以增强点云补全任务中原始点云局部结构信息的提取过程,该算法通过skip-attention机制实现选取不同分辨率下不同局部结构信息的编码。实验表明,SA-Net算法在形状完整性生成上的性能好于当前的措施。
May, 2020
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
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
ShapeFormer是一个基于transformer的网络,它可以在给定不完整和可能带有噪声的点云的情况下生成物体完成的分布,通过采样分布,可以生成类似于输入的可能完成物体,我们引入了一种紧凑的3D表示方法——向量量化深度隐式函数,它利用空间稀疏性将3D形状的近似表示成短序列的离散变量,实验表明,ShapeFormer在处理不完整的输入情况下的物体形状补全问题上性能优于先前的方法。同时,我们还展示了我们的方法可以有效处理各种不同形状类型,不完整的输入模式和真实世界的扫描数据。
Jan, 2022
本文提出了一种用于点云补全和上采样的新型神经网络PMP-Net++,该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning可以进一步提高PMP-Net++的性能。
Feb, 2022
本文提出了一种新的框架,学习了一个统一的、结构化的潜在空间,其中包括映射相关局部点云的多个完整的形状和遮挡代码对,并将这些代码合并以获取它们在统一潜在空间中的表示,通过建立这样一个统一的和结构化潜在空间,可以实现更好的局部-完整几何一致性和形状完成准确性,并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。
Mar, 2022
我们提出了一个基于提示的点云补全框架,名为P2M2-Net,用于更可控和多样化的形状补全。通过使用Transformer模型,我们的框架能够高效地融合多模态特征并按照提示指导生成多样化的结果。我们在一个新的大规模PartNet-Prompt数据集上训练P2M2-Net,并在两个具有挑战性的形状补全基准上进行了广泛实验。定量和定性结果表明了引入提示进行更可控的部分感知点云补全和生成的有效性。
Dec, 2023