叶荆荆,叶海良,曹飞龙

(中国计量大学 理学院,浙江 杭州 310018)

3D数据在不同领域有很多应用,包括自动驾驶、机器人、遥感、医疗和设计等领域[1]。在各种类型的3D数据描述中,点云以其数据量小、表现能力强等优点得以在3D数据处理中广泛应用。现实世界中的点云数据通常是通过激光扫描仪、相机或RGB-D扫描仪捕获的。但是,由于遮挡、光反射、材料表面的透明度以及传感器分辨率和视角的限制,会造成几何和语义信息的丢失,导致点云数据不完整。因此,修复不完整的点云具有重要意义。3D点云形状补全目标大致可分为两个:一是基于原始输入点云恢复目标物体的几何形状,二是基于给定的点云生成缺失的点云[2-3]。为了实现这两个目标,现有研究从不完整的点云输入中学习点云的缺失部分信息和形状信息[4]。近年来,对点云的深度学习已经变得非常繁荣,并且已经提出了许多方法来解决该领域的不同问题[5],但是使用深度神经网络[6]处理点云还存在独特挑战。1)非结构化性。点云是一系列不均匀的采样点。一方面,它使得各个点之间的相关性难以用于特征提取;另一方面,在图像、视频处理中广泛使用的卷积神经网络不能直接用于点云处理。2)无序性。与图像和视频不同,点云是一组没有特定顺序的点。

由于PointNet[7]的出现,基于学习的架构能够直接操作点云数据。Panos Achlioptas[8]等引入了第一个利用编码器解码器框架的基于深度学习的点云补全网络L-GAN。虽然L-GAN能够在一定程度上完成形状补全任务,但它的架构主要不是用来进行形状补全任务的,因此性能并不理想。……