计算机辅助设计与图形学学报

作者：缪永伟, 高伟豪, 范然, 刘复昌

关键词：点云, 形状补全, 生成对抗网络, 无监督学习, 投影视图

传统点云形状修补中通常需要以完整的点云数据作为先验进行有监督学习, 导致点云修复补全网络的泛化性和鲁棒性不理想; 而经无监督学习策略生成的点云修复结果容易偏离输入的点云形状本身, 导致其难以恢复原始形状的精细细节结构. 基于生成式对抗网络框架, 借助待修复形状的三视角投影图像特征信息, 提出一种投影视图指导的三维点云形状无监督保细节补全网络. 该网络包含点云形状修补分支和点云形状投影图像修复分支. 首先网络通过点云形状修复分支对采样的高斯噪声使用树形图卷积结构的点云生成器进行修复生成, 以恢复模型的整体形状从而得到粗修复点云, 并使用 DGCNN 提取该粗修复点云的特征; 然后网络通过点云形状投影图像修复分支对输入模型进行三视角投影得到缺失点云的投影视图, 其用于保留输入模型的细节结构; 其次网络使用基于循环一致性的图像生成器对这些投影视图进行修复并使用 ResNet-18 网络提取这些完整投影视图的特征, 同时将得到的投影视图特征和提取的点云特征计算特征距离损失; 最后网络将该损失加入判别器中以判断生成点云的真假, 同时反馈并优化生成器, 使生成器能够学习到输入点云的整体结构和细节信息. 针对 ShapeNet 数据集进行网络训练, 并使用KITTI 和 ModelNet40 数据集分别进行实验, 结果表明, 与已有的无监督补全网络修复结果相比, 所提网络的平均 CD误差降低 11.0%~41.0%, 平均 F1-Score 提升 0.8%~14.0%, 能够有效地修复点云形状结构并恢复其形状细节, 且对不同程度数据缺失或含噪声的点云修复具有鲁棒性, 该网络具有较好的泛化性.

来源：2025年第4期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2025年第4期