.png){kind=icon}
返回
PointSea: Point Cloud Completion via Self-structure Augmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02400-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云补全在三维视觉中是一个基础但尚未很好解决的问题。当前方法通常依赖三维坐标信息以及/或附加数据（如图像和扫描视角）来填补缺失部分。与这些方法不同，我们探索自结构增强，并提出PointSea用于全局到局部的点云补全。在全局阶段，考虑到我们如何检查物理对象的缺陷区域，我们可能从不同视角观察以获得更好的理解。受此启发，PointSea通过利用多视角的自投影深度图像增强数据表示。为从跨模态输入重建紧凑的全局形状，我们引入了一个特征融合模块，用于在视图内和视图间层面融合特征。在局部阶段，为揭示高度详细的结构，我们引入了一个名为自结构双生成器的点生成器。该生成器整合了学习到的形状先验和几何自相似性进行形状细化。与现有对所有点应用统一策略的努力不同，我们的双路径设计根据每个点的结构类型调整细化策略，解决了每个点的特定不完整性。在广泛使用的基准上的全面实验表明，PointSea能够有效地理解全局形状并从不完整输入中生成局部细节，显示出对现有方法的明显改进。我们的代码可在https://github.com/czvvd/SVDFormer_PointSea获取。
Keyword:
PointSea
Point cloud completion
Self-structure augmentation
Cross-modal fusion
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容