基于多编码器和Residual-Transformer的点云补全网络

点云数据具有无序和稀疏的特点。通过不完整点云数据恢复丢失的三维几何形状的3D点云补全任务是3D视觉技术中一个具有挑战性的问题。现有的3D点云补全网络一般都通过编码器-解码器（Encoder-Decoder）模型直接从部分点云预测完整的点云形状,这会干扰原始部分点云,引入噪声,导致几何位移损失。因此提出一个端到端的网络模型,集中生成平滑和分布均匀的点云对象。所提网络模型主要包含三部分：缺失点云预测、点云融合和点云平滑。第一个模块主要通过多编码器从残缺的点云对象提取局部和全局信息,预测缺失几何部分。第二个模块通过采样算法融合点云。第三个模块基于Residual-Transformer (RT)预测点位移,在避免破坏原始输入点云的空间结构下,可以使点分布得更加均匀。在基准数据集Shapenet-Part上,大量的实验结果表明,所提网络在3D形状补全方面取得了更好的量化结果和更好的视觉效果。