Learning Parallel Dense Correspondence from Spatio-Temporal Descriptors for Efficient and Robust 4D Reconstruction 阅读笔记
这篇文章分析了Occflow的缺点(直接使用一帧来获取转换关系并不能充分考虑到后续点云帧的信息,另一方面使用微分来获得向量场耗时长,长序列的估计会导致误差累积)
因此,该文章从全局的角度出发,使用T-PointNet对全局的4D点云进行处理以获取具有时间信息的点云特征,再使用S-PointNet来对每帧处理空间结果获得该帧全局上的特征,讲T-PointNet的特征与S-PointNet进行相连接,形成具有时空信息的向量,再将其融合未{z0,z1,…,zK},代表每一帧的时空特征。
得到每一帧的时空特征后,为了重建形状以及时间上的对应关系。需要对每一帧的时空特征进行解耦。
空间上的解耦:
使用占用场Occupy file来表示形状,为了使用占用场f(x)是一个连续的函数,因此使用MLP来表示f(x),输入时[Px,Zx],P是某点,Z是点P所在的帧的时空特征
时间上的解耦:
同样的为了使得时间上的解耦函数是连续的,使用MLP来表示一个时间上的点与点再时间上的对应关系,也可以看成一个点的tranfomer函数拟合。输入[P0,Z0,Zt],该网络中只计算0时帧的每个点到其他帧的对应关系。MLP输出是一个P0点的偏移量,即: