A CONDITIONAL POINT DIFFUSION-REFINEMENT PARADIGM FOR 3D POINT CLOUD COMPLETION 论文阅读
date
Apr 1, 2023
Last edited time
Apr 1, 2023 06:21 AM
status
Published
slug
A_CONDITIONAL_POINT_DIFFUSION-REFINEMENT_PARADIGM_FOR_3D_POINT_CLOUD_COMPLETION论文阅读
tags
DL
CV
summary
type
Post
Field
Plat
Abstract
真实扫描的 3D 点云通常是不完整的，因此恢复完整的点云对于下游应用程序非常重要。目前大多数点云完成方法使用 Chamfer 距离(CD) 损失进行训练。CD 损失通过搜索最近邻来估计两个点云之间的对应关系，这不捕捉生成形状的整体点密度分布，因此可能导致不均匀的点云生成。
为了解决这个问题，我们提出了一种新颖的点扩散-细化(PDR)范式用于点云补全。PDR 由一个条件生成网络(CGNet)和一个细化网络(RFNet)组成。CGNet 使用去噪扩散概率模型(DDPM)这一条件生成模型生成基于部分观察的粗糙 completion。RFNet 改进了 CGNet 的粗糙输出，并进一步提高了完成点云的质量。
在这项工作中，我们提出了条件点扩散细化（PDR）范式，以生成既均匀又高质量的完整点云。如图1所示，我们的PDR范式以粗到细的方式执行点云补全。首先，我们使用条件生成网络（CGNet）使用DDPM对部分点云进行条件生成，生成粗糙的完整点云。它迭代地将一组高斯噪声移向完整点云。随后，细化网络（RFNet）通过部分点云进一步细化由条件生成网络生成的粗糙完整点云。
此外，RFNet可用于改善由加速DDPM生成的低质量点云。这可以加速高达50倍，同时最小化性能下降。通过这种方式，我们的PDR范式生成的补全结果展示了良好的整体密度分布（即均匀）和锐利的局部细节。
CGNet和RFNet都有一个新颖的双通道网络架构，如图2所示。该架构由两个平行的子网络组成：一个用于噪声点云的去噪子网和一个用于局部点云的条件特征提取子网。具体而言，我们提出了适应性点反卷积（PA-Deconv）操作进行上采样，可以有效地操作3D点的空间位置。此外，我们提出了特征转移（FT）模块，将编码点特征直接从条件特征提取子网传输到去噪子网中相应的层次结构。
Experiments
