编辑推荐：
在点云处理领域，扫描传感器获取的点云常稀疏且不均匀。研究人员开展 “Point cloud upsampling via implicit shape priors discovery and refinement” 研究。结果显示该方法性能出色，对含噪点云效果更佳。其意义在于为点云处理提供新途径。
在 3D 技术飞速发展的今天，点云作为一种重要的 3D 物体几何表示形式，广泛应用于自动驾驶、机器人、虚拟现实等众多领域。然而，现实中由于硬件设备的限制以及数据采集时不受控制的环境条件，通过扫描传感器获取的点云往往是稀疏且不均匀的，还可能夹杂着噪声 。这就如同用一把有漏洞的勺子去舀水，得到的 “水”（点云数据）不仅不完整，还充满了杂质。这种质量不佳的点云数据，会对后续诸如点云分类、分割、注册以及表面重建等任务产生严重影响，就像用不完整且有瑕疵的原材料去建造房屋，难以保证房屋的质量和稳定性。为了解决这些问题，提升点云数据质量，来自南京信息工程大学的研究人员开展了 “Point cloud upsampling via implicit shape priors discovery and refinement” 的研究。研究人员提出了一种基于双 Transformer（Dual Transformer）的点云上采样方法（PU - DT），实验结果表明，该方法在合成数据集和真实数据集上都展现出了卓越的性能，相比当前最先进的方法（SOTA methods），在一些指标上表现更优，尤其是在处理含噪点云时效果显著。这一研究成果为点云处理领域开辟了新的道路，为相关应用的发展提供了有力支持，论文发表在《Displays》。
研究人员主要运用了以下关键技术方法：首先是双 Transformer，利用其捕捉局部点长距离依赖的机制，将多尺度几何结构信息编码到特征中；其次是采用可学习的反卷积操作进行特征扩展，避免直接复制特征导致上采样点多样性不足；此外，还设计了邻域优化模块，扩大感受野来优化粗采样点云并校正噪声点。
研究结果
- 基于双 Transformer 的特征提取：通过双 Transformer，能够同时处理局部和全局信息，在特征编码过程中有效捕捉多尺度特征，这些特征既包含局部几何信息，又涵盖全局形状信息。这就好比给点云数据戴上了 “透视眼镜”，可以清晰地看到各个尺度下的特征细节，为后续的上采样操作提供了丰富的信息基础。
- 点生成器的上采样操作：点生成器包含特征提取和特征扩展两个部分。在特征扩展阶段，采用可学习的反卷积操作，结合 FoldingNet 提出的 2D 网格机制生成的独特 2D 网格，利用偏移注意力模块在特征空间进行上采样操作，然后将结果映射回坐标空间，生成粗且密集的点集。这一过程如同搭建一座桥梁，从稀疏的点云数据出发，借助各种技术手段，搭建出通往密集点云数据的桥梁，让数据更加完整。
- 邻域优化模块的作用：由于生成的粗点集不可避免地包含噪声点，邻域优化模块通过利用相邻点的特征相似性来优化粗点云，校正噪声点。这就像是一个 “清洁小卫士”，专门清理点云中的 “杂质”，使得点云数据更加纯净，更能准确地代表物体的表面。
研究结论与讨论
研究人员提出的 PU - DT 方法，通过发现和利用隐式形状先验，实现了从粗到细的点云上采样。在粗点集生成阶段，双 Transformer 模块挖掘局部几何之间的潜在依赖关系，隐式捕捉物体表面先验；在优化阶段，邻域优化模块融入每个点邻域的几何先验，优化粗点云。这种方法在点云处理领域具有重要意义，它不仅提高了点云的质量，使得点云在后续任务中能够发挥更好的作用，还为相关领域的发展提供了新的技术思路和方法。同时，该研究也为未来点云处理技术的进一步发展奠定了基础，有望推动自动驾驶、机器人等领域向更高水平迈进。
