Reconstruction-Aware Prior Distillation for Semi-supervised Point Cloud Completion

要約

現実世界のセンサーは、不完全で不規則でノイズの多い点群を生成することが多く、点群の完成がますます重要になっています。
ただし、既存の補完方法のほとんどはトレーニングに大規模なペアのデータセットに依存しているため、労力がかかります。
この論文では、ペアのデータセットの必要性を減らす、新しい半教師あり点群完成法である RaPD を提案します。
RaPD は 2 段階のトレーニング スキームを利用します。ステージ 1 ではペアになっていない完全および不完全な点群から深い意味論的事前抽出が学習され、ステージ 2 では半教師あり事前蒸留プロセスが導入され、少数の数値のみを使用して補完ネットワークをトレーニングします。
ペアになったサンプルの。
さらに、ペアになっていない不完全な点群を使用してパフォーマンスを向上させるために、自己教師あり完了モジュールが導入されています。
複数のデータセットでの実験では、RaPD が同種シナリオと異種シナリオの両方で以前の方法よりも優れていることが示されています。

要約(オリジナル)

Real-world sensors often produce incomplete, irregular, and noisy point clouds, making point cloud completion increasingly important. However, most existing completion methods rely on large paired datasets for training, which is labor-intensive. This paper proposes RaPD, a novel semi-supervised point cloud completion method that reduces the need for paired datasets. RaPD utilizes a two-stage training scheme, where a deep semantic prior is learned in stage 1 from unpaired complete and incomplete point clouds, and a semi-supervised prior distillation process is introduced in stage 2 to train a completion network using only a small number of paired samples. Additionally, a self-supervised completion module is introduced to improve performance using unpaired incomplete point clouds. Experiments on multiple datasets show that RaPD outperforms previous methods in both homologous and heterologous scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google