GRNet：用于密集点云补全的网格残差网络

从不完整的点云中估计完整的三维点云，是计算机视觉与机器人领域中的关键问题。主流方法（如PCN和TopNet）通常采用多层感知机（MLPs）直接处理点云数据，但由于未能充分考虑点云的结构与上下文信息，往往导致细节丢失。为解决这一问题，本文引入三维网格（3D grids）作为中间表示，以对无序点云进行结构化规整。为此，我们提出一种新型的格网残差网络（Gridding Residual Network, GRNet）。具体而言，我们设计了两种新型可微分层——格网化层（Gridding）与逆格网化层（Gridding Reverse），可在点云与三维网格之间无损地相互转换，有效保留结构信息。同时，我们提出了可微分的立方体特征采样层（Cubic Feature Sampling），用于提取邻近点的特征，从而更好地保留上下文信息。此外，我们设计了一种新的损失函数——格网损失（Gridding Loss），用于计算预测点云与真实点云在三维网格空间中的L1距离，有助于更精细地恢复几何细节。实验结果表明，所提出的GRNet在ShapeNet、Completion3D和KITTI等多个基准数据集上均优于现有最先进方法。