.png){kind=icon}
返回
Point cloud upsampling with implicit graph neural networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02532-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过LiDAR或深度相机获取的点云由于分辨率限制、遮挡和光照条件等原因，通常稀疏、非均匀和不完整，严重阻碍下游3D任务。尽管近期基于深度学习的上采样方法将稀疏输入分割为补丁进行独立处理，但补丁合并过程中的固有不一致性不可避免地产生离散离群点。为解决此问题，我们提出PU-iGNN，一种新型点云上采样网络，通过利用隐式图神经网络捕捉长距离依赖关系来消除显式补丁合并的需求，从而抑制离群点并增强分布均匀性。我们的关键创新包括：(1) 一种双空间特征提取模块，整合隐式空间和欧几里得空间进行多维表示学习；(2) 一种边缘感知特征扩展结构，将特征从补丁中心传播到邻域，通过中心-邻域约束显式强制局部几何一致性。广泛的定量和定性实验表明，PU-iGNN在抑制离群点方面显著优于当前最佳方法，同时实现更优的均匀性和保真度。
Keyword:
Point cloud learning
Graph attention
Point cloud upsampling
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Point cloud upsampling via implicit shape priors discovery and refinement通过隐式形状先验发现和细化实现点云上采样.png)
DISPLAYS
DISPLAYSIF3.4
PREAI
分享收藏GS-Net: Point cloud sampling with graph neural networksGS-Net：基于图神经网络的点云采样Pattern Recognition
Pattern RecognitionIF7.6
PREAI
分享收藏Learning a More Continuous Zero Level Set in Unsigned Distance Fields through Level Set Projection
OAAI
OAAI分享收藏
查看更多内容