PU-Net阅读笔记：点云的上采样

简述

PU-Net在点云上进行上采样，即输入一个点云，输出一个更密的点云，且它落在输入点云隐含的几何体（比如表面）上。点云上采样和图片的超分辨率很像，但因为是三维的点而不是二维的像素，因此也有点云不规则、无顺序的一系列缺陷。PU-Net的核心思想，是学习到每个点多个粒度（从局部到全局）下的特征，再在特征空间中扩大点集，最后将扩大的点集映射回三维。提取特征的方法基于PointNet++。

邻域选择

在模型表面上随机选择$M$个中心点，然后指定一个测地线距离$d$，将$d$范围内的点和中心点一起作为一个Patch。然后，我们使用Poisson disk sampling来随机采样$\hat{N}$个点，作为ground truth。我们可以改变$d$的大小，从而形成不同尺度、不同密度的patch。

层次特征学习

此部分采用了PointNet++的算法，得到了各个尺度上点的特征。注意这里每层聚类的半径比较小，这样可以保留住更多的局部细节特征。

多层次特征融合

越低层次的特征对应着越局部的特征。对于高层次的特征，PointNet++采用了按归属（连接）关系将它们传递到每个点上。但PU-Net的作者认为这样不是很高效，因此采用了直接加权融合的方法。即

$$f^{(l)}(x)=\frac{{\sum }_{i=1}^3{w}_i(x)f^{(l)}(x_i)}{{\sum }_{i=1}^3{w}_i(x)}$$

它表示了点$x$在第$l$层的特征为它最临近三个中心点$x_1$