计算机科学>计算机视觉和模式识别
职务: 学习用于无监督点云完成的结构化潜在空间
摘要: 无监督点云完成旨在以不成对的方式估计部分点云的相应完整点云。 这是一个关键但具有挑战性的问题,因为没有可以直接利用的成对的部分完整监管。 在这项工作中,我们提出了一个新的框架,它学习一个统一的、结构化的潜在空间,对部分和完整点云进行编码。 具体来说,我们将一系列相关的局部点云映射为多个完整的形状和遮挡代码对,并将这些代码进行融合,以获得它们在统一的潜在空间中的表示。 为了加强这种结构化潜在空间的学习,该方法采用了一系列约束,包括结构化排序正则化、潜在代码交换约束和对相关局部点云的分布监督。 通过建立这样一个统一的、结构化的潜在空间,可以获得更好的局部完整几何一致性和形状完成精度。 大量实验表明,在合成ShapeNet和真实世界的KITTI、ScanNet和Matterport3D数据集上,我们提出的方法始终优于最先进的无监督方法。