摘要

形状补全问题，即从部分观测中估计物体的完整几何结构，是许多视觉和机器人应用的核心。在本研究中，我们提出了一种基于学习的新型形状补全方法——点云补全网络（Point Completion Network, PCN）。与现有的形状补全方法不同，PCN 直接在原始点云上进行操作，无需对底层形状做出任何结构性假设（例如对称性）或注释（例如语义类别）。该方法的特点在于其解码器设计，能够在保持较少参数的同时生成细粒度的补全结果。实验表明，PCN 能够在输入数据具有不同程度的不完整性和噪声的情况下，生成密集且具有真实结构的完整点云，包括来自 KITTI 数据集中 LiDAR 扫描的汽车。