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