自监督点云补全（SPC）：突破真实场景三维数据修复瓶颈的新范式

《Neural Networks》：SPC: Self-Supervised Point Cloud Completion

本文推荐一种创新性自监督点云补全方法（SPC），无需完整点云或配对多视角数据即可实现高精度三维形状重建。该方法提出压缩-重建策略与全局增强机制，显著提升点云补全效果与下游任务（如分类）性能，在多个真实场景数据集（ScanNet、KITTI等）上表现优异，具有重要应用潜力。

　　

亮点（Highlights）

• •

  提出自监督点云补全方法（SPC），仅使用单视角残缺点云进行训练，无需完整点云真值（ground truth）或多视角信息，极大提升方法在真实场景中的适用性。

• •

  设计压缩-重建策略（Compression-Reconstruction Strategy），通过特征压缩与重建网络（FRNet）建立异步多对多映射关系，融合多残缺点云的几何特征以生成完整点云。

• •

  引入全局增强策略（Global Enhancement Strategy），缓解自监督训练中的过拟合问题，确保预测点位置的空间一致性与合理性。

结论（Conclusion）

本研究提出了一种创新的自监督点云补全方法（SPC），在训练阶段无需任何完整点云或多视角信息，显著提升了方法在信息获取困难的实际场景中的实用性。为实现这一目标，我们提出了压缩-重建策略与全局增强策略。压缩-重建策略通过对编码器提取的特征进行两阶段处理——特征压缩与特征重建——使网络能够从现有知识中学习完整点云的表示，并生成细节丰富的补全结果。全局增强策略则通过保持预测点的位置一致性，有效降低了自训练过程中正确点被错误偏移的风险。实验结果表明，SPC在多个真实与合成数据集上均表现出优异的补全性能与泛化能力，对下游任务（如点云分类）也有显著提升效果。