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

本文介绍了一种名为SnowflakeNet的点云完成算法，采用Snowflake Point Deconvolution (SPD)来生成完整的点云，通过引入skip-transformer和SPD来学习最佳匹配局部区域的点分割模式，生成具有结构性和精细几何细节的点云，实验结果表明该方法优于现有的点云完成方法。

Aug, 2021

该论文提出了一种新方法PoinTr，将点云补全问题重新构造为集合对集合翻译问题，并采用Transformer编码器-解码器架构。通过使用定位嵌入在无序点组中表示点云，我们将点云转换为点代理序列，并使用变形器进行点云生成。在点云的局部几何关系中，我们进一步设计了一种几何感知块以更好地利用点云的3D几何结构归纳偏差，使得变形器能够更好地学习结构知识和保留详细信息，从而完善点云。此外，我们提出了两个具有更多不完整点云的具有挑战性的基准测试，以更好地反映现实世界的情况。实证结果表明，我们的方法在新的基准测试和现有基准测试上均优于现有最先进的方法。

Aug, 2021

我们提出了一种新的卷积算子，用于点云完成的任务。我们的方法的一个显著特点是与相关工作相反，它不需要任何最大池化或体素化操作。我们的算子不断提取具有置换不变性的特征，以保留细粒度的几何细节，通过对特征激活的软池化，从而学习编码器中的点云嵌入。通过特定设计的跳跃连接，将对应层之间的链接建立在编码器和解码器之间，以克服这类结构常见的限制，同时在点云完成任务中达到了最佳性能。

May, 2022

本文提出了一种新的方法，将点云补全问题转化为集合转换问题，并设计了一种名为PoinTr的新模型，采用Transformer编码器-解码器架构进行点云补全。通过将点云表示为带有位置嵌入的无序点组的集合，我们将输入数据转换为点代理的序列，并使用Transformer进行生成。为了更好地利用点云的3D几何结构的归纳偏差，我们进一步设计了一个几何感知块，以显式模拟本地几何关系。我们还进一步提出了AdaPoinTr，并在点云完成期间开发了自适应查询生成机制和新颖的去噪任务，实现了模型的高效和有效训练。我们还展示了我们的方法可以扩展到场景级点云完成方案，并设计了一种新的几何增强语义场景完成框架。我们的方法在现有和新提出的数据集上进行了大量实验证明其有效性，获得了6.53CD的PCN，0.81CD的ShapeNet-55和0.392MMD的真实KITTI，在各种基准测试中均超过了其他工作，并建立了新的技术水平。值得注意的是，AdaPoinTr可以以更高的吞吐量和更少的FLOP实现如此令人满意的性能，而不像以前的最佳方法。

Jan, 2023

本研究提出了一种基于信息交互的生成式网络，用于点云的完整性补全，并引入了本地细化模块和DGStyleGAN，以捕捉局部结构和提高网络的鲁棒性和生成质量。经定量和定性测试，证明了该方法在MVP和Completion3D数据集方面的表现优异，并且在加入噪声干扰或稀疏抽样后，性能不会显著降低。

May, 2023

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

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

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

本研究针对现有方法在真实世界数据上适用性不足的问题，提出了一种自监督框架RealDiff，将点云补全视为基于现实测量的条件生成问题。通过模拟缺失物体部件的扩散过程，并结合额外的几何线索，RealDiff在处理噪声观测数据时表现出色，实验结果表明该方法在现实世界的点云补全中显著优于当前最先进的方法。

Sep, 2024