ICCV 2021 Oral | PoinTr：几何敏感的多样点云补全Transformer( 三 )

文章图片
最后我们使用我们的方法对真实雷达数据进行补全，在数值结果和可视化结果下都取得了提升。

文章图片

文章图片
4总结
在这项工作中，我们提出了适合点云补全的PoinTr模型，很好地将Transformers引入到点云补全任务中，并在已有的合成数据集与真实数据集上取得了目前最好性能。除此以外，我们提出了更具挑战性的ShapeNet-55和ShapeNet-34 ，来模拟真实条件下的复杂缺失场景。我们希望本文提出的PoinTr和新的Benchmark可以为未来点云补全提供思路与启发。
参考文献：
[1]AshishVaswani,NoamShazeer,NikiParmar,JakobUszkoreit,LlionJones,AidanN.Gomez,LukaszKaiser,andIlliaPolosukhin.AttentionisAllYouNeed.NeurIPS,pages5998–6008,2017.
[2]HaozheXie,HongxunYao,ShangchenZhou,JiagengMao,ShengpingZhang,andWenxiuSun.GRNet:GriddingResidualNetworkforDensePointCloudCompletion.ECCV,pages365–381,2020.
[3]WentaoYuan,TejasKhot,DavidHeld,ChristophMertz,andMartialHebert.PCN:PointCompletionNetwork.3DV,pages728–737,2018.
[4]ZhirongWu,ShuranSong,AdityaKhosla,FisherYu,LinguangZhang,XiaoouTang,andJianxiongXiao.3DShapeNets:ADeepRepresentationforVolumetricShapes.CVPR,pages1912–1920,2015.
[5]AndreasGeiger,PhilipLenz,ChristophStiller,andRaquelUrtasun.VisionMeetsRobotics:TheKITTIDataset.InternationalJournalofRoboticsResearch,2013.

文章图片