.png){kind=icon}
返回
Optimizing point cloud upsampling through downsampling refinement: a generative adversarial network approach
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-04253-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云上采样对于提升自动驾驶、机器人导航和增强/虚拟现实等应用中的3D数据质量与实用性至关重要。然而，现有方法常忽略下采样对上采样的影响，导致局部结构信息丢失及离群点生成。本文提出一种基于生成对抗网络（GAN）的点云上采样网络PU-DR（Optimizing Point Cloud Upsampling through Downsampling Refinement），引入Multi-DenseCNN和Up-Refinedown-Up模块。Multi-DenseCNN特征提取器高效编码多尺度信息，捕捉点特征的局部互相关性。Up-Refinedown-Up模块整合了Refinedown模块（结合特征优化采样与残差注意力）和动态图卷积上采样模块，显著增强上采样修正能力。在合成与真实扫描数据上的实验结果表明，PU-DR优于先前方法，实现更低的Chamfer距离（0.56）和Hausdorff距离（5.89），同时保留局部细节并减少离群点。本方法为点云处理提供新视角，有助于生成高质量上采样点云。源代码和数据集可在线获取于https://github.com/6Mrzhu/PU-DR。
Keyword:
Point cloud upsampling
Multi-denseCNN
Refinedown
Dynamic graph convolution
Residual attention
期刊
T
IF:
0
论文数:
369
被引数:
0
机构
引用论文
.png){kind=icon}
PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud UpsamplingPufa-gan: 用于3D点云上采样的频率感知生成对抗网络
OAAI
OAAI分享收藏
查看更多内容