摘要
本文提出了一种基于风格的点云生成网络——对抗性渲染点生成器（SpareNet），用于点云补全任务。首先，我们设计了通道注意力增强的EdgeConv模块，以充分挖掘点特征中的局部结构信息与全局形状特征。其次，我们观察到传统折叠（folding）操作中采用的拼接（concatenation）方式在生成复杂且逼真形状方面存在局限性。受StyleGAN成功经验的启发，我们将形状特征视为风格码（style code），在折叠过程中用于调制归一化层，显著提升了生成能力。第三，我们发现现有的点云监督指标，如Chamfer距离或地球移动距离（Earth Mover’s Distance），难以真实反映重建点云的感知质量。为此，我们提出使用可微分渲染器将补全后的点云投影为深度图，并引入对抗性训练机制，以在不同视角下促进重建结果的感知真实感。在ShapeNet和KITTI数据集上的大量实验表明，所提方法在定量指标上达到当前最优水平，同时在视觉质量方面亦表现出显著优势。