摘要
设计一种点云超分网络，即在给定稀疏点云表示的基础上生成清晰且密集的点云，是计算机视觉领域一个基础而具有挑战性的问题。现有方法通常通过深度神经网络建立点到点的映射函数来实现这一目标，但这类方法由于缺乏显式的表面约束，容易产生离群点。为解决该问题，本文提出在超分网络中引入一种新型表面正则化项，强制神经网络学习由双三次函数（bicubic functions）与旋转函数所表示的底层参数化表面，从而使新生成的点被约束在该潜在表面上。该设计被分别集成到两种不同的网络架构中，用于两个依赖超分层的任务——点云超分与点云补全，以进行综合评估。在两项任务上的实验结果均表明，所提出方法显著优于现有技术水平。代码已开源，地址为：https://github.com/corecai163/PSCU。