49、SeedFormer：基于补丁种子和上采样变压器的点云补全方法

SeedFormer：基于补丁种子和上采样变压器的点云补全方法

1. 引言

点云作为描述 3D 对象常用且易获取的数据格式，推动了计算机视觉领域对 3D 场景和对象理解的广泛研究。然而，由于传感器分辨率有限和自遮挡，原始点云往往稀疏且不完整。因此，从部分不完整数据中恢复完整点云是现实场景中各种下游应用不可或缺的步骤。

近年来，越来越多的方法将深度神经网络应用于点云补全任务。主流架构采用编码器 - 解码器结构，从部分输入中提取全局特征并用于生成完整点云。但这种全局特征结构存在两个内在缺点：一是在编码阶段的池化操作中，细粒度细节容易丢失，且在生成阶段难以从稀释的全局特征中恢复；二是全局特征仅代表部分点云的“不完整”信息，与生成完整形状的目标相悖。

此外，点云生成器的设计也存在问题。与图像修复不同，3D 点生成旨在预测 (x, y, z) 坐标，这些坐标在 3D 空间中无结构且连续分布。现有方法要么使用基于折叠的生成器，要么采用多层感知机（MLP）/反卷积实现的层次结构，试图独立处理每个点，忽略了现有点的分布，导致几何细节恢复质量不佳。

为解决上述问题，我们提出了一种新颖的点云补全网络 SeedFormer，它具有更好的细节保留和恢复能力。基于设计的补丁种子（Patch Seeds）和上采样变压器（Upsample Transformer），该方法的解码阶段包括两个主要步骤：首先在种子生成器中从不完整特征生成完整形状，然后以粗到细的方式恢复细粒度细节。

2. 相关工作

• 基于体素化的形状补全 ：早期的 3D 形状补全尝试依赖体素网格的中间表示来描述 3D 对象。这种方法简单