摘要
语义场景补全（Semantic Scene Completion, SSC）由场景补全（Scene Completion, SC）和语义分割两部分组成。现有的大多数方法在规则的三维网格空间中进行SSC，而在此类空间中使用三维卷积神经网络（3D CNN）会在空体素（empty voxels）上引入不必要的计算开销。为此，本文提出一种语义点云补全网络（Semantic Point Completion Network, SPCNet），用于在点云空间中实现SSC。具体而言，SPCNet采用编码器-解码器架构：其中观测点编码器（Observed Point Encoder）用于提取观测点的特征，而从观测点到遮挡点的解码器（Observed to Occluded Point Decoder）则负责将特征映射至被遮挡区域的点。基于SPCNet，我们进一步提出一种图像-点云融合的语义点云补全网络（Image-point Fused Semantic Point Completion Network, IPFSPCNet），旨在通过融合纹理信息与几何信息，提升SSC的性能。我们在两个公开数据集上进行了实验评估。实验结果表明，所提方法能够在点云空间中有效解决场景补全问题；相较于当前最先进的方法，本方法在语义场景补全任务上取得了令人满意的性能表现。