SPAC-Net: Rethinking Point Cloud Completion with Structural Prior

要約

点群の完成は、部分的な観察から完全な形状を推測することを目的としています。
多くのアプローチは、部分スキャンから学習した形状事前分布によって完全な形状を直接予測できる純粋なエンコーダデコーダ パラダイムを利用していますが、これらの方法では、特徴の抽象化の問題により必然的に詳細が失われるという問題があります。
この論文では、SPAC-Net と呼ばれる新しいフレームワークを提案します。このフレームワークは、インターフェイスと呼ばれる新しい構造的な事前の指導の下で完了タスクを再考することを目的としています。
具体的には、私たちの方法は最初にマージナル検出器（MAD）モジュールを調査して、既知の観測値と欠落している部分の交差点として定義される境界面の位置を特定します。
この方法では、界面に基づいて、界面内の点から欠落部分の対応する位置までの変位を学習することで、大まかな形状を予測します。
さらに、アップサンプリング段階の前に追加の構造補足 (SSP) モジュールを考案して、粗い形状の構造詳細を強化し、アップサンプリング モジュールがアップサンプリング タスクにより集中できるようにします。
いくつかの困難なベンチマークに対して広範な実験が実施され、その結果は、私たちの手法が既存の最先端の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)

Point cloud completion aims to infer a complete shape from its partial observation. Many approaches utilize a pure encoderdecoder paradigm in which complete shape can be directly predicted by shape priors learned from partial scans, however, these methods suffer from the loss of details inevitably due to the feature abstraction issues. In this paper, we propose a novel framework,termed SPAC-Net, that aims to rethink the completion task under the guidance of a new structural prior, we call it interface. Specifically, our method first investigates Marginal Detector (MAD) module to localize the interface, defined as the intersection between the known observation and the missing parts. Based on the interface, our method predicts the coarse shape by learning the displacement from the points in interface move to their corresponding position in missing parts. Furthermore, we devise an additional Structure Supplement(SSP) module before the upsampling stage to enhance the structural details of the coarse shape, enabling the upsampling module to focus more on the upsampling task. Extensive experiments have been conducted on several challenging benchmarks, and the results demonstrate that our method outperforms existing state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google