Orthogonale Dictionary-gesteuerte Shape-Vervollständigungsnetzwerk für Punktwolken

Die Rekonstruktion von Punktewolkenformen, die darauf abzielt, fehlende Bereiche unvollständiger Punktewolken mit plausiblen Geometrien zu ergänzen, ist eine schlecht gestellte und herausfordernde Aufgabe, die zahlreichen nachgeschalteten 3D-Anwendungen zugutekommt. Vorherige Ansätze erreichen dieses Ziel durch einen zweistufigen Kompletierungsansatz: Zunächst wird mittels eines Encoder-Decoder-Netzwerks eine grobe, aber vollständige Ausgangspunktewolke generiert, gefolgt von einer Nachbearbeitung und Aufsampling. Allerdings leiden die kodierten Merkmale aufgrund von Informationsverlusten im fehlenden Bereich daran, dass der Decoder keine ausreichend detaillierten geometrischen Hinweise für die Rekonstruktion der Ausgangspunkte liefern kann. Um dieses Problem zu bewältigen, schlagen wir ein neuartiges Netzwerk namens Orthogonal Dictionary Guided Shape Completion Network (ODGNet) vor. Das vorgeschlagene ODGNet besteht aus einer Seed Generation U-Net, die durch mehrstufige Merkmalsextraktion und Verkettung die Repräsentationsfähigkeit der Ausgangspunkte erheblich verbessert, sowie aus orthogonalen Dictionaries, die aus Trainingsbeispielen Formvorwissen lernen und somit während der Inferenz den Informationsverlust in den fehlenden Bereichen kompensieren. Unser Entwurf ist einfach, aber präzise. Umfangreiche experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode Punktewolken mit höherer Detailgenauigkeit rekonstruieren kann und die bisherigen State-of-the-Art-Methoden übertrifft. Der Implementierungscode ist unter https://github.com/corecai163/ODGNet verfügbar.