PF-Net&Efficient Deep Learning Approach

PF-Net&Efficient Deep Learning Approach

Key Knowledgeable：

• Improved GAN-based Point Cloud Completion

  • CMLP
    相较于PointNet的MLP，使用如下结构的CMLP成为单个点云的特征提取器，从而最大程度保留原始点云的局部特征.
    

  • Multi-Resolution Encoder(MRE)
    下采样获得不同尺度的点云，提升高低层次点云语义信息提取，再通过MLP获得最终特征向量：

  • Point Pyramid Decoder(PPD)
    采取“分形几何”的思想，用三层逐一生成点云并拼接，得到最终生成结果。
    

  • Multi-stage Completion Loss
    逐层计算生成的点云与gt的Chamfer Distance：
    
    
    再利用多阶段补全损失 (Multi-stage completion loss) 监督其中关键点云的生成，从而减少了几何结构瑕疵：
    

  • Improved：Cell-IFPS
    FP-Net使用的IPFS即FPS采样n个点需要不断迭代，O(n2)的时间。
    Cell sampling：设定r将空间划分进一个个球体，对每个球体内的元素选择最接近球心的点作为采样点。可以在O(n)的时间完成采样，但是无法得确定的采样点个数
    
    结合上述两个方法提出了Cell-IFPS：
    
    先使用Cell sampling采样大部分点，之后使用IFPS删去or补充点

  • Adversarial Loss
    利用 GAN 结构的鉴别器（Descriminator）设计对抗损失：
    将对抗损失与生成损失加权相加得到最终损失实现对抗学习：
    

Result：
各种缺失度下的实验结果：都能取到比较可观的生成（测试用例的形状鲜明）

Improved前后时间对比：t1为采样时间，t2为生成时间，t3为总时间