CADD-PCN：用于点云补全的覆盖感知动态加密

《Neurocomputing》：CADD-PCN: Coverage-aware dynamic densification for point cloud completion

　　

摘要

点云补全旨在从部分观测中恢复完整的三维形状。近期的由粗到细方法通过逐步加密稀疏点集取得了优异的性能。然而，许多渐进式解码器仍然采用等子代生成规则，即在每个解码阶段中，每个父点生成相同数量的子点。尽管这种设计简化了输出规模的控制，但它隐式地将所有父点区域视为具有相同的重建需求，而当不同区域包含不同程度的缺失或弱观测几何时，这可能并非最优方案。本文提出了CADD-PCN，一种面向点云补全的覆盖感知动态加密框架。CADD-PCN将解码器加密过程建模为固定预算的父点级子点分配问题。它预测父点级重建责任度和弱观测需求，并通过一种保持基数的比例配额分配策略在父点区域之间重新分配子点。具体而言，责任度目标通过将近似真实点云软分配到邻近父点来构建，而弱观测需求则从归一化的局部部分输入支撑度中估计。在推理阶段，这些目标构建步骤被移除，预测的父点预算直接指导动态子点分配。在PCN、ShapeNet-55和ShapeNet-34上的大量实验表明，CADD-PCN取得了具有竞争力的补全性能，在Chamfer距离和密度感知重建质量方面均有一致提升。定性比较进一步表明，CADD-PCN能够保持连贯的物体结构，并在多样化物体类别中维持合理均衡的局部点分布。

引言

点云补全旨在从部分观测中恢复完整的三维形状。给定一个部分点云 $$，目标是推断出一个完整点云 $$，该点云同时保持全局物体结构和局部几何细节。该任务是自动驾驶、机器人感知、三维重建、AR/VR以及形状理解等三维视觉应用的基础，在这些应用中，原始点云常因遮挡、视角有限、传感器稀疏度以及自遮挡等因素而不完整。

近期的点云补全方法通常采用由粗到细的生成范式。早期的编码器-解码器方法如PCN [1]、TopNet [2]和GRNet [3]从全局或结构化潜在表示中恢复完整形状。基于Transformer和种子点的方法，包括PoinTr [4]、AdaPoinTr [5]、SeedFormer [6]、AnchorFormer [7]和PointCFormer [8]，通过集合到集合的翻译、自适应查询生成、补丁种子表示、锚点细化或渐进特征提取进一步提升了补全质量。由粗到细的方法如SnowflakeNet [9]和CRA-PCN [10]也表明，将稀疏点集逐步扩展为更密集的输出对于恢复细粒度几何是有效的。

尽管取得了这些进展，许多渐进式解码器仍然以阶段级扩展比例进行加密，即在给定阶段中，每个父点生成相同数量的子点。这种设计简单且便于产生与基准测试兼容的输出分辨率。然而，尽管生成的偏移量和特征是学习得到的，分配给每个父点的离散子点数仍然是固定的。换言之，现有的固定比例解码器主要通过学习的偏移量来适应点的位置，而子点数在各父点区域间的分配仍然保持均匀。这种均匀的子点分配使得父点级的重建需求变化未能得到显式建模。

这一局限性对于点云补全尤为相关。不同的父点可能对应于目标完整形状的不同部分。某些父点区域已经被部分输入较好地支撑，可能只需要少量子点进行局部细化。相反，其他父点区域可能负责更大或观测不足的目标区域，在这些区域中需要额外的子点来减少局部覆盖不足。因此，在固定输出分辨率下，补全解码器不仅应该学习子点应放置在何处，还应该学习如何在父点区域之间分配有限的子点预算。

为解决这一问题，我们提出了CADD-PCN，一种面向点云补全的覆盖感知动态加密框架。CADD-PCN将解码器加密重新定义为固定预算的子点分配问题。它不增加最终输出分辨率，而是根据预测的重建需求将相同数量的输出点在父点区域之间重新分配。在本文中，"覆盖"一词不指物理表面积。由于点云是离散集合，我们将覆盖定义为一个父点相对于目标完整点集的局部重建责任度。

CADD-PCN的核心是一种父点级预算预测和配额分配机制。在训练过程中，每个目标点被软分配到邻近的父点以构建责任度目标，从而估计每个父点应代表多少目标几何。同时，一个弱观测重建需求分数从局部部分输入支撑度中估计，将较高的需求分配给被部分观测弱支撑的目标区域。基于这两个信号，CADD-PCN预测父点级预算，并通过保持基数的比例配额分配策略将其转换为离散子点数。每个父点首先获得一定数量的基础子点以保持局部连续性，而剩余的子点预算则动态分配给预测需求更高的父点区域。

本文的主要贡献总结如下：

• •
  我们重新审视了由粗到细点云补全中的固定比例加密方法，并将解码器上采样建模为固定预算的父点级子点分配问题。
• •
  我们引入了局部重建责任度作为父点级预算预测的目标驱动监督信号，使解码器能够估计每个父点应代表多少目标几何。
• •
  我们从局部部分输入支撑度中建模弱观测重建需求，使解码器能够将被部分观测弱支撑的目标区域分配更高的预算，而无需依赖硬性的缺失边界标签。
• •
  我们设计了一种保持基数的比例配额分配策略，将预测的父点预算转换为离散子点数，同时保持局部连续性和固定输出分辨率。

章节摘要

基于深度学习的点云补全

基于深度学习的点云补全已通过编码器-解码器、基于Transformer以及由粗到细的生成框架得到了广泛研究。早期的方法如PCN [1]、TopNet [2]和GRNet [3]建立了从部分观测中恢复完整形状的代表性范式。PCN采用了由粗到细的解码器，TopNet引入了层次树结构解码器，GRNet则采用网格表示以提高结构规则性。

近期方法

总体架构

给定一个部分点云 $$，CADD-PCN预测一个满足基准测试所需输出分辨率的完整点云 $$。该网络遵循由粗到细的补全范式。它首先从部分输入中提取层次化点特征，生成初始的粗粒度种子点集，然后通过三个级联解码器阶段逐步加密点云。

整体流程如图1所示。它由一个编码器、一个种子生成器和一个CADD解码器组成。该

数据集

PCN数据集。 PCN数据集是点云补全领域最广泛使用的基准平台之一，建立在ShapeNet分类体系[27]之上。它涵盖8种常见物体类别，包括飞机、柜子、汽车、椅子、台灯、沙发、桌子和水上交通工具，共计30,974个三维模型。我们遵循官方协议，将数据划分为28,974个样本的训练集、800个样本的验证集和1200个样本的测试集。PCN模拟了逼真的不完整

结论

在本文中，我们提出了CADD-PCN，一种面向点云补全的覆盖感知动态加密框架。主要思想是重新审视渐进式补全解码器中常用的等子代生成规则，即在每个解码阶段中每个父点生成相同数量的子点。CADD-PCN不增加最终输出分辨率，而是根据预测的重建需求将固定的子点预算在父点区域之间重新分配。为此，我们

CRediT作者贡献声明

周博文：写作 – 审阅与编辑，写作 – 初稿撰写，可视化，验证，软件，方法论，调查，形式化分析，数据整理，概念化。蒋杰：写作 – 审阅与编辑，指导，资源，项目管理，资金获取。占立欣：写作 – 审阅与编辑。齐瑞：写作 – 审阅与编辑。

利益冲突声明

作者声明，他们没有已知的会可能影响本文所报告工作的竞争性经济利益或个人关系。

周博文于2024年获得西安交通大学大数据管理与应用学士学位。目前在中国国防科技大学攻读硕士学位。其研究方向包括三维计算机视觉和深度学习。

周博文|蒋杰|占立欣|齐瑞