Point cloud completion via structured feature maps using a feedback network

要約

この論文では、特徴学習の観点から点群補完の挑戦的な問題に取り組みます。
私たちの重要な観察は、部分的な入力が与えられた場合、基礎となる構造と表面の詳細を回復するために、基本的なコンポーネントは、グローバル構造とローカルの幾何学的詳細の両方をキャプチャできる優れた機能表現であるということです。
したがって、最初に FSNet を提案します。これは、局所領域から複数の潜在パターンを学習することにより、ポイントワイズ機能を 2D 構造化機能マップに適応的に集約できる機能構造化モジュールです。
次に、点群を完成させるために FSNet を粗いパイプラインに統合します。
具体的には、2D 畳み込みニューラル ネットワークを採用して、FSNet からの特徴マップを粗い完全なポイント クラウドにデコードします。
次に、ポイント クラウド アップサンプリング ネットワークを使用して、部分入力と粗い中間出力から密なポイント クラウドを生成します。
ローカル構造を効率的に活用し、ポイント分布の均一性を高めるために、IFNet を提案します。これは、生成された高密度ポイント クラウドの詳細を徐々に改善できる自己修正メカニズムを備えたポイント アップサンプリング モジュールです。
ShapeNet、MVP、および KITTI データセットに対して定性的および定量的実験を実施しました。これは、私たちの方法が最先端の点群補完アプローチよりも優れていることを示しています。

要約(オリジナル)

In this paper, we tackle the challenging problem of point cloud completion from the perspective of feature learning. Our key observation is that to recover the underlying structures as well as surface details, given partial input, a fundamental component is a good feature representation that can capture both global structure and local geometric details. We accordingly first propose FSNet, a feature structuring module that can adaptively aggregate point-wise features into a 2D structured feature map by learning multiple latent patterns from local regions. We then integrate FSNet into a coarse-tofine pipeline for point cloud completion. Specifically, a 2D convolutional neural network is adopted to decode feature maps from FSNet into a coarse and complete point cloud. Next, a point cloud upsampling network is used to generate a dense point cloud from the partial input and the coarse intermediate output. To efficiently exploit local structures and enhance point distribution uniformity, we propose IFNet, a point upsampling module with a self-correction mechanism that can progressively refine details of the generated dense point cloud. We have conducted qualitative and quantitative experiments on ShapeNet, MVP, and KITTI datasets, which demonstrate that our method outperforms state-of-theart point cloud completion approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google