SPC: Self-supervised point cloud completion

doi:10.1016/j.neunet.2025.108107

SPC: Self-supervised point cloud completion

2025-09-12

0

PRE

AI

DOI：10.1016/j.neunet.2025.108107

原文链接

原文求助

摘要

En 中文

形状不完整性是深度传感器采集的点云中常见的问题。点云补全旨在将部分点云恢复为其完整形态。然而，大多数现有的点云补全方法在训练时依赖完整点云或同一物体的多视角信息，这在信息获取成本高昂的实际场景中并不实用。为克服上述限制，提出了一种自监督点云补全（SPC）方法，该方法仅使用每个物体仅包含单个部分点云的训练集。具体而言，开发了一种类似自编码器的网络架构，包含两步策略。首先，提出了一种压缩-重建策略，使网络能够从现有知识中学习完整点云的表示。然后，考虑到自监督训练中可能存在的过拟合问题，进一步设计了一种全局增强策略，以保持预测点的位置一致性。在ScanNet、MatterPort3D、KITTI和ShapeNet数据集上进行了全面实验。在真实数据集上，该方法的双向切弗距离（UCD）和双向豪斯多夫距离（UHD）较当前最优方法分别平均降低了2.3和2.4。除卓越的补全能力外，所提出的方法对下游任务也有积极影响。在点云分类中，应用该方法将分类准确率平均提高了14%。广泛的实验结果证明，所提出的SPC具有很高的实际应用价值。

SPC: Self-supervised point cloud completion

摘要

期刊

机构

引用论文