基于几何解耦的骨架与表面点云联合补全网络S2-PCN研究

为解决点云补全任务中全局结构恢复与局部细节生成的矛盾问题，研究人员提出几何解耦框架S2-PCN，通过多尺度特征编码器分离骨架与表面特征，结合双分支解码器与注意力耦合模块，在ShapeNet等数据集上实现优于现有方法的补全精度，为自动驾驶等三维视觉应用提供新范式。

　　

随着三维扫描技术的普及，点云数据在自动驾驶、机器人导航等领域展现出巨大潜力。然而，受限于传感器分辨率与复杂环境遮挡，实际采集的点云往往存在严重缺失。传统补全方法采用端到端的编码器-解码器架构，将全局特征统一解码为完整点云，但这种方式难以兼顾大尺度结构准确性与表面细节真实性。尤其对于具有复杂拓扑的物体，现有方法常产生结构扭曲或过度平滑的补全结果。这一瓶颈严重制约了三维感知系统在真实场景中的应用效果。

针对这一挑战，中国的研究团队创新性地提出S²-PCN（Skeleton and Surface Point Cloud Completion Network）框架。该工作首次将几何解耦思想引入点云补全领域，通过分离骨架结构与表面细节的生成过程，在ShapeNet、MVP和KITTI三大基准测试中全面超越现有技术，相关成果发表于《Expert Systems with Applications》。

研究采用多尺度特征编码器提取层次化几何特征，通过几何解耦模块将点云分解为骨架（表征物体主干结构）和表面（表征局部细节）组件。设计全局感知的骨架解码器（采用图卷积网络保持拓扑连续性）与局部感知的表面解码器（基于点插值生成高密度细节），最后通过注意力耦合模块动态融合两类特征。实验数据来源于公开数据集ShapeNet（合成数据）、MVP（多视角扫描）和KITTI（真实车载LiDAR）。

主要研究结果

1. 几何解耦有效性验证：通过对比未解耦的基线模型，证明分离处理骨架与表面特征可使倒角距离（Chamfer Distance）指标提升19.3%，尤其在薄壁结构等复杂几何上优势显著。
2. 多尺度特征编码分析：消融实验显示，结合局部邻域特征（半径0.1m）与全局上下文特征时，表面细节生成F1-score达到0.87，较单尺度特征提升32%。
3. 跨数据集泛化测试：在KITTI真实场景中，该方法对车辆补全的均方根误差（RMSE）为0.86cm，优于次优方法PMNet约11.2%，证实其对噪声和遮挡的鲁棒性。

该研究开创性地将几何解耦引入三维重建领域，其提出的双分支解码架构为处理不规则点云数据提供了新思路。实际意义在于：一方面，骨架优先的生成策略能有效保持物体功能性结构，对机器人抓取等任务至关重要；另一方面，表面细节的局部生成机制显著提升了视觉真实性，有助于自动驾驶系统的精准识别。未来可进一步探索解耦特征在点云压缩、语义分割等衍生任务中的应用价值。