PU-DZMS: muestreo de la nube de puntos a través del codificador de zoom denso y la regresión complementaria a escala...

Área de la Ciencia:

• Visión por computadora
• Procesamiento de geometría 3D
• Aprendizaje automático

Sus antecedentes:

• La escasez de nubes de puntos en las imágenes conduce a la pérdida de detalles geométricos críticos.
• Las redes de muestreo ascendente de nubes de puntos existentes luchan con la comprensión de características locales y globales, lo que causa distorsión de contorno y regiones dispersas.

Objetivo del estudio:

• Abordar las limitaciones de las técnicas actuales de toma de muestras en la nube de puntos.
• Proponer un nuevo método, PU-DZMS, para mejorar la densidad de la nube de puntos y la recuperación de detalles.

Principales métodos:

• El método PU-DZMS propuesto comprende dos componentes clave: el codificador de zoom denso (DENZE) y el módulo de regresión complementaria multiscala (MSCR).
• DENZE utiliza bloques ZOOM con conexiones densas y un mecanismo de transformador para capturar características geométricas locales y globales, clarificando los bordes de la nube de puntos.
• MSCR expande las características y regresa las nubes de puntos densos utilizando el aprendizaje residual de escala cruzada, garantizando la continuidad geométrica y reduciendo la escasez local.

Principales resultados:

• Los resultados experimentales en los conjuntos de datos PU-GAN y PU-Net demuestran la eficacia de PU-DZMS.
• El método mejora con éxito los detalles geométricos y reduce las regiones dispersas en las nubes de puntos.
• PU-DZMS muestra un gran rendimiento en las tareas de muestreo de nubes de puntos.

Conclusiones:

• PU-DZMS supera efectivamente las limitaciones de los métodos existentes en la comprensión de la relación local-global para el muestreo de la nube de puntos.
• La arquitectura propuesta aclara los bordes geométricos y reduce las regiones dispersas locales, lo que conduce a una mejor calidad de la nube de puntos.