.png){kind=icon}
返回
MLCompletion: Point Cloud Completion via Multi-View Feature Augmentation and Progressive Refinement
.png){kind=icon}
PRE
AI
DOI：10.1109/jsen.2026.3722855.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云补全是3D感知与视觉中的基础任务，但当部分观测存在严重结构缺失区域和模糊局部几何时，该任务仍具挑战性。为解决这些问题，我们提出了MLCompletion，一种仅依赖点云的补全框架，该框架整合了自生成的多视角几何增强和渐进式形状精化，无需依赖外部图像。具体而言，所提出的几何感知融合模块（GFM）将部分点云投影到三个正交深度图，并将提取的深度特征与3D点特征融合，从而增强全局形状感知和缺失区域表征。基于此表征，形状补全模块（SCP）以粗到精的方式逐步优化粗略预测。在SCP中，动态特征融合门（DFFG）自适应地平衡局部几何细节和全局结构上下文，以提高重建保真度。在ShapeNet-55/34、PCN和KITTI上的实验表明，MLCompletion实现了具有竞争力的补全性能，并持续优于强基线模型的Chamfer距离。额外的消融研究、效率分析、DFFG可解释性结果以及极端稀疏性测试进一步验证了所提设计的有效性，同时揭示了其在极具挑战性的不完整输入下的局限性。
Keyword:
MLCompletion
Point Cloud Completion
Multi-View Augmentation
Attention Mechanism
Coarse-to-fine
期刊
IF:
4.5
论文数:
2.2W
被引数:
7.3W
机构
查看更多机构
引用论文
暂无论文信息