PU-MFA : Échantillonnage de nuages de points par attention multi-échelle aux caractéristiques

Récemment, les recherches utilisant des nuages de points ont connu une augmentation avec le développement de la technologie des scanners 3D. Selon cette tendance, la demande de nuages de points de haute qualité est en hausse, mais il reste un problème lié au coût élevé d'obtention de tels nuages. Par conséquent, avec le développement récent remarquable de l'apprentissage profond, la recherche sur l'échantillonnage de nuages de points, qui utilise l'apprentissage profond pour générer des nuages de points de haute qualité à partir de nuages de points de basse qualité, est l'un des domaines attirant une attention considérable. Cet article propose une nouvelle méthode d'échantillonnage de nuages de points appelée Échantillonnage de Nuages de Points par Attention aux Caractéristiques Multi-échelles (PU-MFA). Inspirée par les études précédentes qui ont rapporté d'excellents résultats en utilisant des caractéristiques multi-échelles ou des mécanismes d'attention, PU-MFA fusionne ces deux approches à travers une structure U-Net. De plus, PU-MFA utilise adaptivement des caractéristiques multi-échelles pour affiner efficacement les caractéristiques globales. Les performances de PU-MFA ont été comparées à celles d'autres méthodes d'avant-garde à travers diverses expériences utilisant le jeu de données PU-GAN (un jeu de données synthétique de nuages de points) et le jeu de données KITTI (un jeu de données réellement scanné). Dans divers résultats expérimentaux, PU-MFA a montré une performance supérieure tant dans l'évaluation quantitative que qualitative par rapport aux autres méthodes d'avant-garde, démontrant ainsi l'efficacité de la méthode proposée. La carte d'attention de PU-MFA a également été visualisée pour illustrer l'effet des caractéristiques multi-échelles.