【论文阅读】PF-Net: Point Fractal Network for 3D Point Cloud Completion

最新推荐文章于 2024-09-09 12:27:26 发布

大铭昕

最新推荐文章于 2024-09-09 12:27:26 发布

阅读量6.1k

点赞数 3

分类专栏：论文文章标签：机器学习深度学习

本文链接：https://blog.csdn.net/minggelin1997/article/details/106509427

版权

PF-Net是一种基于深度学习的点云分形网络，用于修复缺失的3D点云。通过多分辨率编码器和点云金字塔解码器，该方法能有效保留物体的空间结构和局部特性。使用多阶段完成损失和对抗损失函数，提高了点云补全的精度，减少了几何结构瑕疵和类别间的特征干扰。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

从激光雷达等设备中获取的点云往往有所缺失（反光、遮挡等），这给点云的后续处理带来了一定的困难，也凸显出点云补全作为点云预处理方法的重要性。
点云补全（Point Cloud Completion）用于修补有所缺失的点云（Point Cloud），从缺失点云出发估计完整点云，从而获得更高质量的点云。点云有助于用较小的数据量描述三维物体，在三维物体的检测识别领域应用广泛。

传统的点云补全方法基于一定的物体基础结构的先验信息，如对称性信息或语义类信息等，通过一定的先验信息对缺失点云进行修补。这类方法只能处理一些点云缺失率很低、结构特征十分明显的缺失点云。
在 PointNet 和 PointNet++ 使用深度学习网络实现了点云分割和点云分类之后，点云深度学习逐渐成为热门研究领域。
如 LGAN-AE，PCN, 和 3D-Capsule 等，这些工作以不完整点云作为输入，输出完整点云，造成网络过于关注到物体的整体特征而忽略了缺失区域的几何信息。另一方面，这些网络会生成偏向于某类物体共性特征的点云，而失去某个物体的个体特征。（这些工作更注重于学习属性或者类别的一般特征，而不是学习某一特定对象的局部细节）容易改变原有物体的特性（位置错误、几何特征丢失、形状扭曲等）。

文章提出一种基于深度学习的点云分形网络PF-Net。PF-Net采用了一些自己的思路和方法来改善现有的问题：
1. 以不完整点云作为输入，仅输出缺失部分点云，可保留物体点云的空间结构，对物体的局部特性感知更好；
2. 提出了更优的点云特征提取器：多分辨率编码器（Multi-Resolution Encoder），多尺度的方法提升了高低层次点云语义信息提取的效率；
3. 提出了点云金字塔解码器（