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

这篇论文介绍了一个城市建模的数据集 Building3D，它包括超过 160,000 幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的 16 个城市，面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。

Jul, 2023

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

本文提出了一种用于从单一 2D 卫星图像中生成建筑物屋顶点云的深度学习框架 sat2pc，并在建筑物屋顶数据集上进行了广泛评估和消融实验，结果表明其性能优于现有基线方法至少 18.6％。

May, 2022

基于学习的方法，从空中激光雷达点云中重构建筑物为 3D 多边形网格，通过引入生成模型来适应各种建筑形状和结构，通过直接从点云数据中学习，减少误差传播并提高重构的准确性，在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。

Mar, 2024

实现语义场景补全 (SSC) 的 PointSSC 是首个针对语义场景补全的车辆基础设施合作点云基准，其利用点云作为轻量级替代方案，旨在提供语义标签的室外点云场景基准测试，准确度量验证真实导航中语义点云补全的进展。

Sep, 2023

本研究提出了一种创新的框架，通过使用单个 LiDAR 系统、点密度填充和零样本学习技术，以及提取感兴趣对象的高低、加速度和速度等特征，实现了交通流量数据收集、物体检测和自动生成立体包围盒的自动化，从而克服了多个 LiDAR 系统和复杂的立体标注过程的限制。

Jan, 2024

本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

Dec, 2020