HyperAIHyperAI
vor 12 Tagen

Semantischer Punkt-Vervollständigungs-Netzwerk für die 3D-Szenen-Vervollständigung

{Gang Zeng, Min Zhong}
Semantischer Punkt-Vervollständigungs-Netzwerk für die 3D-Szenen-Vervollständigung
Abstract

Die semantische Szenenkompletierung (Semantic Scene Completion, SSC) besteht aus der Szenenkompletierung (Scene Completion, SC) und der semantischen Segmentierung. Die meisten bestehenden Methoden führen die SSC in einem regelmäßigen 3D-Gitterraum durch, wobei 3D-CNNs auf leeren Voxel unnotigen Rechenaufwand verursachen. In dieser Arbeit wird ein Semantic Point Completion Network (SPCNet) vorgeschlagen, um die SSC im Punktwolkenraum zu bearbeiten. Konkret handelt es sich bei SPCNet um eine Encoder-Decoder-Architektur, bei der ein beobachteter Punkten-Encoder zur Extraktion der Merkmale beobachteter Punkte eingesetzt wird und ein beobachteter-zu-occluded-Punkten-Decoder dafür verantwortlich ist, die Merkmale auf die verdeckten Punkte abzubilden. Auf Basis von SPCNet führen wir weiterhin ein Image-Point Fused Semantic Point Completion Network (IPFSPCNet) ein, das darauf abzielt, die Leistungsfähigkeit der SSC durch die Kombination von Textur- und Geometrieinformationen zu steigern. Evaluierungen werden auf zwei öffentlichen Datensätzen durchgeführt. Die experimentellen Ergebnisse zeigen, dass unsere Methode das SC-Problem im Punktwolkenraum effektiv lösen kann. Im Vergleich zu aktuellen state-of-the-art-Ansätzen erreicht unsere Methode zufriedenstellende Ergebnisse bei der SSC-Aufgabe.

Semantischer Punkt-Vervollständigungs-Netzwerk für die 3D-Szenen-Vervollständigung | Neueste Forschungsarbeiten | HyperAI