Meta-PU: Ein skalenunabhängiges Upsampling-Netzwerk für Punktwolken

Die Aufwärtsskalierung von Punktwolken ist entscheidend für die Qualität der Mesh-Generierung in der dreidimensionalen Rekonstruktion. In jüngster Zeit wurden durch den Fortschritt im Bereich des tiefen Lernens erhebliche Erfolge bei der Aufwärtsskalierung von Punktwolken erzielt. Allerdings betrachten die bestehenden Methoden die Aufwärtsskalierung von Punktwolken bei unterschiedlichen Skalierungsfaktoren als unabhängige Aufgaben. Daher müssen für jeden Skalierungsfaktor spezifische Modelle trainiert werden, was sowohl ineffizient als auch praktisch unbrauchbar hinsichtlich Speicherplatz und Rechenleistung in realen Anwendungen ist. Um diese Einschränkung zu überwinden, stellen wir in diesem Werk eine neuartige Methode namens „Meta-PU“ vor, die erstmals die Aufwärtsskalierung von Punktwolken mit beliebigen Skalierungsfaktoren mit einem einzigen Modell ermöglicht. In der Meta-PU-Methode besteht der Hauptteil aus einem Backbone-Netzwerk, das aus Residual-Graph-Konvolution (RGC)-Blöcken aufgebaut ist, sowie einem Meta-Unternetzwerk, das die Gewichte der RGC-Blöcke dynamisch anpasst, sowie einem Block für die weitesten Abstandsabtastung (farthest sampling), der unterschiedliche Anzahlen an Punkten auswählt. Zusammen ermöglichen diese beiden Komponenten, dass Meta-PU die Punktwolke kontinuierlich mit beliebigen Skalierungsfaktoren aufwärts skaliert, wobei lediglich ein einziges Modell verwendet wird. Zudem zeigen die Experimente, dass das gleichzeitige Training auf mehreren Skalierungsfaktoren sich gegenseitig positiv beeinflusst. Daher übertrifft Meta-PU selbst die bestehenden Methoden, die nur für einen spezifischen Skalierungsfaktor trainiert wurden.