DMNet点云补全网络

无需成对训练数据，通过区分性特征提取与拓扑对齐，实现对残缺点云的高质量补全。

Xiao, Haihong · Li, Yuqiong · 康文雄 · 吴秋霞

IEEE Transactions on Circuits and Systems for Video Technology 2023

技术优势

无需成对数据

提出区分感知特征提取器，学习不同实例的可判别语义信息，增强噪声干扰下的鲁棒不变表示，从而在无监督条件下完成补全。

显式层级建模

层级感知双曲解码器不仅捕获数据中的隐式层级关系，还具有显式的扩展特性，有助于恢复点云的完整几何结构。

拓扑对齐去噪

匹配感知细化器通过对齐输入与预测部分点云的拓扑结构消除噪声点，提高输出点云的准确性。

应用场景

• 三维重建：从残缺点云恢复完整几何，减少人工补全工作。
• 机器人感知：补全传感器视野受限造成的点云缺失，提升机器人对环境的理解。
• 自动驾驶感知：在遮挡和稀疏扫描条件下补全目标点云，辅助检测与跟踪。
• 形状分类：提供完整形状输入，避免残缺点云导致的分类性能下降。
• 目标检测：补全候选区域点云，使检测器更易提取判别特征。