![c9f69910d5923dba78f06413a8e1fb5e.png](https://i-blog.csdnimg.cn/blog_migrate/813e893c7cb47462f88ed03d4106da01.jpeg)
公众号:将门创投 (thejiangmen) From: 香港城市大学;编译: T.R
近日,来自香港城市大学的研究人员提出了一种基于线性近似的网络模型MAPU-Net,可以在一次训练后对输入的稀疏点云实现任意“放大比例”的上采样。
针对需要上采样的点云,模型首先通过获取现有点在切平面上的领域点,学习局域几何信息获取插值权重、生成分布在凸包区域内的邻域点云,随后利用稀疏点云的法向量通过数据驱动的方式来优化点云结果,获取最终上采样后的点云。
这种方式在一次训练后可以应用于多个尺度的上采样过程中,并能够生成较为精细的几何结构,具有更强的可解释性和更好的内存效率。
![06d07f782742052238ab744ec43222be.png](https://i-blog.csdnimg.cn/blog_migrate/1e781a7a2f95cdb9b29151754274fdb8.jpeg)
- 详情请参见论文:
https://arxiv.org/pdf/2011.12745.pdf
3D点云对于复杂几何形貌的目标和场景有着非常强大的表达能力,被广泛应用于机器人操作、无人驾驶、沉浸式感知和文物遗迹保护等领域。但在现有技术条件下,获取准确稠密的三维点云还是一项耗时耗力的工作。这一领域的研究人员一直致力于利用软件的计算手段来代替硬件,从稀疏的低分辨率的点云中获取稠密的高分辨率的点云结果。
3D点云上采样问题通常被视为图像超分辨在三维领域的对应问题,人们从图像超分辨领域借鉴了很多技术处理这一领域的问题。但由于点云与生俱来的非规则性和非均匀性,这些基于规则图像的方法无法发挥出应有的能力。此外,三维点云代表的是目标或场景表面的几何形貌信息,而图像则记录了目标或场景的反射光强信息,这样的差异使得图像领域的超分辨技术无法有效应用于三维点云的处理上来。
针对点云上采样问题,目前学术界主要从两个角度来解决问题,分别是优化方法和基于深度学习的方法。基于优化的方法通常利用局域特征来对局部几何信息进行拟合,在平滑的曲面上可以得到非常好的效果。但这种方法无法保留多尺度的细节,无法有效重建较为细微的形貌信息。而利用神经网络的方法从数据中学习出几何形状点云表达会比基于优化的方法表现更好,但现有的深度学习方法对于点云的几何特性考