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

本文提出了一种新颖的多模态融合网络用于点云补全，该网络可以同时融合视觉和文本信息，有效预测不完整形状的语义和几何特征，并通过多阶段特征融合策略将文本和视觉特征渐进地融入骨干网络，同时借助精细化的文本描述进一步探索点云补全的有效性，通过广泛的定量和定性实验证明我们方法相比最先进的点云补全网络具有更优越的性能。

Aug, 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

本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在 Earth Mover's Distance（EMD）和 Chamfer Distance（CD）等方面表现优异，优于现有方法。

Nov, 2019

本研究提出了一个新的多视图视觉提示融合网络 (MvNet)，通过利用现成的 2D 预训练模型实现 few-shot 3D 点云分类，实现了 3D few-shot 点云图像分类的最新性能。

Apr, 2023

提出 MMF-Track，一种多模态多级融合跟踪器，利用点云的几何和图像纹理特征跟踪 3D 目标，在 KITTI 上实现了最先进的性能表现，并在 NuScenes 上具有竞争力。

May, 2023

本文提出了一种用于点云补全和上采样的新型神经网络 PMP-Net++，该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning 可以进一步提高 PMP-Net++ 的性能。

Feb, 2022

本文介绍了 MVPNet 模型，该模型使用视图选择和 2D-3D 特征聚合模块将 2D 多视图图像特征汇集到 3D 点云中，并使用基于点的网络将 3D 规范空间中的特征融合以预测 3D 语义标签。该方法在 3D 语义分割任务上，优于以前的点云方法，并且训练速度比稀疏体素方法的大型网络快得多。

Sep, 2019

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

本文提出了一种基于点扩散和精化的点云补全范式，其中条件生成网络使用去噪扩散概率模型生成粗糙补全， 精修网络进一步改进完成后的点云的质量，并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全，也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验，证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是，在精细网络的帮助下，我们可以将 DDPM 的迭代生成过程加速 50 倍，而不会影响其性能。

Dec, 2021