这篇是ICCV2019的一篇上采样论文。
Ps:学习论文时,我只备注重要的知识点。
一、Abstract
1、概括
存在问题 | 点云是稀疏、有噪音(outlier points)、不均匀的 |
---|---|
作者目的 | 学习已有点的特征, 从而增加点, 并且使点的分布要均匀 |
采取方法 | generative adversarial network (GAN)、Patch-based Upsampling |
理由 | GAN能够探索潜在空间中的各种点分布,能够更好的生成否合特征的点 |
2、文章的创新点
- Up-down-up expansion unit -------主要用上采样之后的结果和最初数据进行比较,得出误差
- Self-attention unit---------------------使点的特征靠的更近,提取到更多的特征
- Compound loss-----------------------处理点和点之间的距离,使得更加均匀
3、Question:GAN为何能够充分探索点的分布空间?它有什么特质?
二、Introduction
1、一些碎碎念的知识点(可忽略)
~fill small holes and gaps使点分布均匀来填补孔洞和缝隙
2、对以前的论文,作者认为它们网络的效果并不好,并不能从低质量的点云中生成完整、密集、分布均匀的点云。
- PU-Net生成的点太相似,即靠的太近,并且多次重复卷积造成特征冗余。
- MPU训练步骤太复杂,并且当上采样率更高时,需要划分更多的子集。
3、GAN网络的generator充分探索点的分布,discriminator评估生成的点分布,双方达到一种制衡的目的。但是GAN网络很难收敛,所以Generator必须采集到更多有效的特征。
所以作者采用以上三点创新点。
三、Method
1、Q should describe the same underlying geometry of a latent target object as P, so points in Q should
lie on and cover the target object surface 生成的点云Q应该和初始点云P的几何结构一样,所以Q应该位于并且覆盖点云P的表面。PU-Net和MPU都没有提出这个要求,它们下意识利用了loss体现了这个思路,但是在网络架构中没有采取方法。
Tips:能不能采用一些Shape Analysis的方式,解决这个问题。
**Generator
1、Network Architecture
1. The feature extraction component
特征提取单元使用了MPU的方法,简单概括:假设点云有N个点,使用KNN为每个点采集特征,然后和上一步特征结合后,继续采用此方法循环几次,最后给每点加上grid value。每一层和每一层之间使用skip connection来传递信息。
2. The feature expansion component
增加这一步的目的:是为了增加不同的特征,使得点分布更加多样化。
~ 主要步骤:we compute the difference (denoted as ∆) between the features before the upsampling and after the downsampling. By also upsampling ∆ to ∆up, we add ∆up to Fup to self-correct the expanded features。
~好处:这样做不仅避免了繁琐的多步卷积,并且促进了细粒度特征的产生。
2.1 Up-feature operator
~为了上采样r次,我们要为重复学习的特征增加差异,这相当于使生成的点远离原来的点。所以我们将特征复制 r 份 (rNC), 然后使用FoldingNet中的2D Grid mechanism,使得 r 份特征变得不一样,接着使用 self-attention 使特征紧密联系,最后使用一系列的MLPs继续对特征进行学习,得到我们想要的结果。
2.1.1 Self attention
为了引入长距离依赖 ,取集结连接之后的特征,引入了注意力机制。
~将从已有点中学习出的weight再次应用到这些点中。
四、Training Process
1、它找了200个Patch,每个Patch中有5%点, 使用Poisson disk sampling 找target points
2、采用的loss函数
- Adversarial loss: 采用的是最小二乘法
- Uniform loss + replusion loss
PU-Net的NUC 度量并不能区分不同分布下点的均匀性。所以它加入一个分布的比例,这个比例是按照平均分布计算出来的。