基于跳跃Transformer的点云补全与生成的雪花点去卷积方法

现有的大多数点云补全方法受限于点云的离散特性以及局部区域点分布的非结构化预测，难以准确揭示精细的局部几何细节。为解决这一问题，我们提出SnowflakeNet，其核心为雪花点反卷积（Snowflake Point Deconvolution, SPD）模块，用于生成完整的点云。SPD将点云的生成过程建模为类似雪花生长的渐进式点分裂过程：在每一层SPD中，子点通过对其父点进行分裂逐步生成。为捕捉更精细的几何结构，我们在SPD中引入了跳跃式Transformer（skip-transformer），用于学习能够最优拟合局部区域的点分裂模式。该跳跃式Transformer利用注意力机制，整合前一层SPD中所采用的分裂模式信息，以指导当前层的分裂操作。由此生成的局部紧凑且结构化的点云，能够精确呈现三维形状在局部区域内的结构特征，从而实现高度精细的几何重建。此外，由于SPD是一种通用操作，不局限于点云补全任务，我们进一步探索其在其他生成任务中的应用，包括点云自编码、点云生成、单图像重建以及点云上采样。实验结果表明，所提方法在多个广泛使用的基准测试中均显著优于当前最先进的方法。