SeedFormer: Patch-Samen-basierte Punktewolken-Vervollständigung mit Upsample-Transformer

Die Vervollständigung von Punktwolken ist in den letzten Jahren zunehmend populär geworden, insbesondere im Kontext der Generierung von 3D-Punktwolken, da es sich um ein herausforderndes, aber unverzichtbares Problem handelt, die vollständige Form eines 3D-Objekts aus einer partiellen Beobachtung wiederherzustellen. In diesem Paper stellen wir einen neuen Ansatz namens SeedFormer vor, um die Fähigkeit zur Detailerhaltung und -wiederherstellung bei der Vervollständigung von Punktwolken zu verbessern. Im Gegensatz zu früheren Methoden, die auf einem globalen Merkmalsvektor basieren, führen wir eine neue Form der Formdarstellung ein, die sogenannten Patch Seeds, ein. Diese ermöglichen nicht nur die Erfassung allgemeiner Strukturen aus partiellen Eingaben, sondern bewahren zudem lokale Musterinformationen auf regionaler Ebene. Durch die Integration dieser Seed-Merkmale in den Generierungsprozess können wir die Details der vollständigen Punktwolke auf kohärenter, grob-zu-fein-Struktur wiederherstellen. Darüber hinaus entwickeln wir einen Upsample-Transformer, indem wir die Transformer-Architektur auf die grundlegenden Operationen von Punktwolgen-Generatoren erweitern, wodurch räumliche und semantische Beziehungen zwischen benachbarten Punkten effektiv integriert werden. Qualitative und quantitative Evaluierungen zeigen, dass unsere Methode state-of-the-art-Vervollständigungsnetzwerke auf mehreren Benchmark-Datensätzen übertrifft. Der Quellcode ist unter https://github.com/hrzhou2/seedformer verfügbar.