视角引导下的点云补全
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
本文提出了一种无监督的点云补全方法，不需要3D补全点云，只利用2D补全图像，使用单视角RGB图像提取2D特征，并使用融合模块将其与部分点云提取的3D特征相结合，以预测物体的完整形状。
Dec, 2022
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
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
基于Mamba框架的3DMambaComplete网络通过Hyperpoints的选择、分布和形变实现点云完整性，超过了其他点云完整性方法，经定性和定量分析证实。
Apr, 2024
我们提出了一种新颖的双通道模态融合网络（DMF-Net），用于图像引导的点云完成任务，在粗到精的方式下，通过将图像和部分点云一起输入网络进行模态融合，从而实现点云的恢复和补全，实验结果表明DMF-Net在ShapeNet-ViPC数据集上的性能优于现有的单模态和多模态点云完成方法。
Jun, 2024
在不需要完备地面真实数据的情况下，使用单个部分点云对象，我们提出了MAL-SPC，一个能够有效利用物体级和类别特定几何相似性来完成缺失结构的框架。通过引入 Pattern Retrieval Network 来提取部分输入和预测形状之间的相似位置和曲率模式，然后利用这些相似性来密集化和优化重建结果。此外，我们将重建完成的形状渲染为多视角深度图，并设计了一个对抗学习模块，从类别特定的单视角深度图像中学习目标形状的几何结构。为了实现各向异性渲染，我们设计了一种密度感知半径估计算法来提高渲染图像的质量。与现有最先进的方法相比，我们的 MAL-SPC 取得了最佳的结果。我们将在此网址公开提供源代码。
Jul, 2024