摘要
点云形状补全旨在通过生成合理几何结构来重建不完整点云中的缺失区域，是一项病态且具有挑战性的任务，对众多下游三维应用具有重要意义。以往方法通常采用两阶段补全框架：首先通过编码器-解码器网络生成一个粗略但完整的初始点云（seed point cloud），随后进行细化与上采样。然而，由于编码过程中缺失区域的信息丢失，解码器难以恢复出具备精细几何特征的初始点云，限制了补全质量。为解决这一问题，本文提出一种新颖的正交字典引导形状补全网络（Orthogonal Dictionary Guided Shape Completion Network, ODGNet）。该网络由两部分构成：一是种子生成U-Net，通过多层次特征提取与融合显著增强初始点云的表征能力；二是正交字典模块，能够从训练样本中学习形状先验信息，在推理阶段有效补偿缺失区域的信息损失。该设计简洁而高效。大量实验结果表明，所提方法能够生成更具细节的点云，并显著优于现有最先进方法。代码已开源，可访问 https://github.com/corecai163/ODGNet。