通过多视图对抗式学习完成无监督的3D点云
IEEE transactions on visualization and computer graphics
|April 9, 2025
概括
本研究介绍了MAL-UPC,这是一个用于自主监督点云完成的新框架. 它有效地使用部分扫描的几何相似性重建丢失的3D数据,而不需要完全的地面真相.
科学领域:
- 计算机视觉 计算机视觉
- 三维重建的3D重建
- 机器学习 机器学习
背景情况:
- 扫描的3D点云由于遮而经常不完整.
- 现有的自我监督和弱监督方法在缺失数据重建方面扎.
- 当前的方法往往需要多个视图或忽视内在的几何相似性.
研究的目的:
- 开发一个框架,以使用几何相似之处完成自主监督的点云.
- 在没有3D地面真实监督的情况下,重建不完整点云中的缺失区域.
- 改进从单视图部分观测进行的3D对象重建.
主要方法:
- 拟议的MAL-UPC框架利用区域层面和特定类别的几何相似性.
- 引入了一个模式检索网络来识别和利用类似的几何图案.
- 采用多视图深度地图染和对抗式学习来改进几何学.
- 开发了一种密度感知半径估计算法,用于异型染.
主要成果:
- MAL-UPC有效地完成了部分点云中缺失的结构.
- 与现有的自我监督方法相比,该框架实现了最先进的性能.
- 证明了优异的结果,即使对一些未配对的方法.
- 成功地从单视图部分观测中重建完整的形状.
结论:
- MAL-UPC为自主监督点云完成提供了一个强大的解决方案.
- 利用几何相似性显著提高了重建的准确性.
- 拟议的方法推进了从有限的观测中完成3D数据的领域.


