曾伟平，陈俊洪，Muhammad ASIM，刘文印，杨振国

（广东工业大学计算机学院，广东 广州 510006）

0 引 言

随着视觉硬件的高速发展，激光雷达、RGB-D 相机等深度传感器广泛应用于无人驾驶、机器人等领域［1］。通过深度传感器可有效地获取物体的三维点云数据，进而完成复杂的三维视觉任务，如物体识别［2］、语义分割［3］、三维重建［4］等。然而受限于设备精度等原因，现实场景下获取的三维点云通常存在稀疏和不完整的现象，导致了物体判断不够准确；与此同时，设备在采集外界信息时往往是基于单一视角，获取的点云可能存在遮挡等情况。综上所述，对缺失的点云进行补全处理是三维视觉领域中一项重要的研究任务。

点云补全任务是将不完整的点云进行补全，从而获得更高质量的点云数据。常见的补全方法可分为基于几何、基于对齐和基于学习3 类。其中基于几何的方法［5］通过先验几何假设直接从观察到的形状部分中预测不可见的形状部分，需要人为制定几何规则，然而此类方法只适用于具有少量不完整的模型。基于对齐的方法［6］是在形状数据库中检索与目标对象相似的相同模型，并将输入与模型对齐完成缺失区域，然而该方法在推理优化和数据库构建过程中需要昂贵的成本，并且对噪声影响敏感。基于学习的方法通过构造一个参数化模型来学习不完整点云和完整点云的2 个特征空间之间的映射，具有较好的鲁棒性，其中代表方法为PCN［7］网络。近年来随着深度学习的发展，基于学习的方法已经成为主流，例如PFNet［8］、PoinTr［9］等方法在点云补全上已经取得不错的效果。……