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

通过利用 2D 先验和点渲染技术，提出一个零样本的框架，用于完成部分观测到的点云，实验结果表明该方法能够优于现有方法并完成各种对象的形状恢复。

Apr, 2024

本文提出了一种基于视角引导的点云补全解决方案，通过从额外单视图图像中获取缺失的关键全局结构信息，利用依次执行有效跨模态和跨层次融合的框架，相比于现有解决方案在视角引导点云完形填空任务上取得了显著优越的结果。

Apr, 2021

本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

Aug, 2020

本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

Mar, 2022

提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

May, 2020

通过点云补全技术完成对不完整数据的处理，建立新的真实世界基准 Building-PCC 数据集来评估现有深度学习方法在城市建筑点云补全任务中的性能，并通过对不同方法的综合评估，分析在建筑点云补全中面临的关键挑战，旨在促进 3D 地理信息应用领域的创新。

Apr, 2024

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

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

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