3D点云形状补全GAN

• 作者: 赵新灿 常寒星 金仁标
• 来源期刊: 计算机科学
• 关键词: 3D点云 形状补全 AutoEncoder 生成对抗网络
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 计算机图形学&多媒体|Computer Graphics & Multimedia
• 页码范围: 192-196
• 页数: 5页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.200100048

摘要

在真实的扫描环境中,由于视线遮挡或技术人员操作不当,实际采集到的点云模型会存在形状不完整的问题.点云模型的不完整性会对后续应用产生严重的影响,因此提出3D点云形状补全GAN用于完成点云模型的形状补全.该网络的点云重建部分由PointNet中用于数据对齐的T-Net结构与3D点云AutoEncoder网络相结合,来完成预测和填充缺失数据,识别器采用3D点云AutoEncoder中的Encoder部分对补全3D点云数据与真实的3D点云数据进行区分.最后,在ShapeNet数据集中训练上述网络结构,对所训练的网络模型进行验证并与其他基准方法进行定性比较.从实验结果可以看出,3D点云形状补全GAN可以将具有缺失数据的点云模型补全为完整的3D点云.在ShapeNet的3个子数据集chair,table以及bed上,相比基于3D点云AutoEncoder的方法,所提方法的F 1分数分别提高了3.0％,3.3％以及3.1％,相比基于体素3D-EPN的方法,所提方法的F 1分数分别提高了9.9％,5.8％以及4.3％.