摘要

真实扫描获取的点云数据通常因视角限制、遮挡以及噪声等因素而存在不完整性。现有的点云补全方法往往倾向于生成全局形状骨架，因而缺乏精细的局部细节。此外，这些方法大多学习一种确定性的部分到完整点云的映射关系，忽视了人造物体内部的结构关联性。为应对上述挑战，本文提出一种变分框架——变分关系点云补全网络（Variational Relational point Completion network, VRCNet），具备两个显著优势：1）概率建模能力。具体而言，我们设计了一种双路径架构，实现部分点云与完整点云之间一致的概率建模。其中一条路径以完整点云为输入，通过学习点云变分自编码器（point VAE）进行重建；另一条路径则针对部分点云生成完整的三维形状，其隐空间分布的训练过程受到重建路径所学习到的分布引导，从而实现更合理的概率建模。2）关系增强机制。我们精心设计了点云自注意力核（point self-attention kernel）与点云选择性核模块（point selective kernel module），以有效挖掘点之间的关系特征，从而在粗略补全结果的基础上，进一步精细化局部几何结构。此外，本文还构建了一个多视角部分点云数据集（Multi-View Partial dataset, MVP），包含超过10万组高质量扫描数据，每个三维CAD模型均从26个均匀分布的相机视角采集部分点云，以真实还原不同视角下的不完整3D形状。大量实验结果表明，VRCNet在所有标准点云补全基准测试中均显著优于现有最先进方法。尤为突出的是，该方法在真实世界点云扫描数据上展现出优异的泛化能力与鲁棒性，验证了其在实际应用中的有效性与实用性。