.png){kind=icon}
返回
Research on Multi-Modal Point Cloud Completion Algorithm Guided by Image Rotation Attention
.png){kind=icon}
OA
AI
DOI：10.3390/rs17081448.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于图像旋转注意力机制引导的点云多尺度补全算法，旨在解决点云形状补全过程中多模态特征提取与融合阶段严重的信息损失和次优融合效果等挑战。所提出的网络采用编码器-解码器结构，集成了旋转通道注意力（RCA）模块以增强图像特征提取，并采用点云多尺度特征提取方法以提升局部和全局特征信息。网络还利用多级自注意力机制实现有效的多模态特征融合。解码器采用多分支补全方法，在Chamfer距离损失引导下完成点云补全任务。在ShapeNet-ViPC和ModelNet40ViPC数据集上的大量实验证明了所提算法的有效性。与八种相关算法相比，所提方法在补全精度和效率方面均表现出更优性能。具体而言，与当前最优算法XMFnet相比，平均Chamfer距离（CD）值降低了11.71%。该算法在视觉对比中同样展现出显著改进，补全后的点云具有更清晰的结构细节和更均匀的密度分布。消融研究进一步验证了RCA模块和多尺度模块的有效性，突显了二者在提升点云补全精度方面的互补性。未来工作将聚焦于提升网络性能，并探索其在更复杂3D视觉任务中的应用。
Keyword:
LiDAR
point cloud
multi-modal
point cloud completion
attention mechanism
feature extraction
feature fusion
期刊
IF:
4.1
论文数:
7.6K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
查看更多内容