Punktclouddarstellung mit adversarialen residualen Graphnetzwerken

Die Super-Resolution von Punktwolken ist ein grundlegendes Problem für die 3D-Rekonstruktion und die 3D-Datenverarbeitung. Sie nimmt eine Punktwolke mit geringer Auflösung (LR) als Eingabe und generiert eine hochauflösende (HR) Punktwolke mit reichhaltigen Details. In diesem Artikel präsentieren wir eine datengetriebene Methode zur Super-Resolution von Punktwolken basierend auf Graph-Netzwerken und adversariellen Verlustfunktionen. Der zentrale Ansatz des vorgeschlagenen Netzwerks besteht darin, die lokale Ähnlichkeit innerhalb der Punktwolke sowie die Analogie zwischen der LR-Eingabe und der HR-Ausgabe auszunutzen. Für die erste Komponente entwerfen wir ein tiefes Netzwerk mit Graph-Convolution. Für die zweite Komponente schlagen wir die Einführung von Residual-Verbindungen in die Graph-Convolution vor und führen eine Skip-Verbindung zwischen Eingabe und Ausgabe ein. Das vorgeschlagene Netzwerk wird mit einer neuartigen Verlustfunktion trainiert, die die Chamfer-Distanz (CD) und eine graphbasierte adversarielle Verlustfunktion kombiniert. Diese Verlustfunktion erfasst automatisch die Eigenschaften der hochauflösenden Punktwolke ohne manuelle Gestaltung. Wir führen eine Reihe von Experimenten durch, um unsere Methode zu bewerten und ihre Überlegenheit gegenüber anderen Ansätzen zu bestätigen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode die derzeit beste Leistung erzielt und eine gute Generalisierungsfähigkeit für unbekannte Daten aufweist.