基于修补的自监督点云补全
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
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。
Aug, 2018
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
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
本研究提出一种自我先验的网格修补框架,通过引入两个自监督图卷积网络训练来实现,从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入,并在修补过程中保持原始多边形网格格式,最终可以生成一个修补好的多边形网格。
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
本研究提出了一种新的自监督框架 ACL-SPC 用于点云完整性恢复的培训和测试在相同的数据上。ACL-SPC 采用自适应闭环(ACL)系统,以在输入变化时强制输出相同的输出。实验结果表明,ACL-SPC 可以成功地学习完成部分点云并在真实世界数据集上比受过合成数据集训练的监督方法取得更好的性能,证明了自监督学习的必要性和所提出的方法的有效性。
Mar, 2023
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
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