POCO: Point Convolution für die Oberflächenrekonstruktion

Implizite neuronale Netze wurden erfolgreich zur Oberflächenrekonstruktion aus Punktwolken eingesetzt. Viele dieser Ansätze stoßen jedoch auf Skalierbarkeitsprobleme, da sie die Isomantelfunktion eines gesamten Objekts oder Szenen in einem einzigen Latentvektor kodieren. Um diese Einschränkung zu überwinden, schlagen einige Ansätze Latentvektoren auf einem groben, regelmäßigen 3D-Gitter oder auf 3D-Patches vor und interpolieren diese, um Besetzungsabfragen zu beantworten. Dabei verlieren sie jedoch die direkte Verbindung zu den Eingabepunkten, die auf der Oberfläche der Objekte abgetastet wurden, und verteilen Informationen gleichmäßig im Raum, anstatt dort, wo sie am wichtigsten sind – nämlich in der Nähe der Oberfläche. Zudem erfordert die Verwendung fester Patch-Größen möglicherweise eine feine Abstimmung der Diskretisierung. Um diese Probleme anzugehen, schlagen wir vor, Punktwolken-Convolutionen zu verwenden und Latentvektoren an jedem Eingabepunkt zu berechnen. Anschließend führen wir eine lernbasierte Interpolation über die nächsten Nachbarn unter Verwendung abgeleiteter Gewichte durch. Experimente an sowohl Objekt- als auch Szenendaten zeigen, dass unser Ansatz auf den meisten klassischen Metriken signifikant besser abschneidet als andere Methoden und feinere Details sowie eine bessere Rekonstruktion dünnerer Volumina ermöglicht. Der Quellcode ist unter https://github.com/valeoai/POCO verfügbar.