.png){kind=icon}
返回
PCDM: Point Cloud Completion by Conditional Diffusion Model
.png){kind=icon}
OA
AI
DOI：10.1007/s11063-025-11767-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在点云采集过程中，误差很容易引入数据集，导致后续分析产生偏差，因此点云补全分析中的关键步骤。本文介绍了一种条件扩散模型架构（PCDM）来解决点云补全问题。扩散模型在图像生成中已展现出显著成功，并最近开始应用于其他领域，显示出惊人的效果。通过利用扩散模型的强大生成能力，我们逐步从纯噪声数据中获得完整的点云。在去噪过程中，我们采用Local-Global Net（LoGNet）来融合全局和局部特征，指导模型生成点云。此外，为了在生成点云数据的完整性和局部细节之间取得平衡，我们引入了偏移注意力机制来从不完整点云中提取特征。在多个公开数据集上进行的实验表明，本文提出的点云补全方法优于以往的方法。
Keyword:
Deep learning
Computer vision
Point cloud completion
Diffusion model
期刊
IF:
2.8
论文数:
174
被引数:
5.5K
机构
引用论文
A Survey on Deep Learning Based Segmentation, Detection and Classification for 3D Point Clouds.png)
EntropyOAAI
EntropyIF0
OAAI分享收藏Multi-Layer Fusion 3D Object Detection via Lidar Point Cloud and Camera Image基于激光雷达点云和相机图像的多层融合3D目标检测OAAI
OAAI分享收藏ProxyFormer: Proxy Alignment Assisted Point Cloud Completion with Missing Part Sensitive TransformerOAAI
OAAI分享收藏
查看更多内容