Building-PCC: Building Point Cloud Completion Benchmarks

随着三维感测技术的迅速发展，获取物体的三维形状信息变得越来越方便。激光雷达技术能够准确地捕捉远距离物体的三维信息，已广泛应用于城市场景三维数据的收集。然而，由于遮挡、信号吸收和镜面反射等因素，收集到的点云数据经常表现出不完整性。本文探讨了点云补全技术在处理这些不完整数据方面的应用，并建立了一个新的真实世界基准Building-PCC数据集，以评估现有深度学习方法在城市建筑物点云补全任务中的性能。通过对不同方法的全面评估，我们分析了建筑物点云补全面临的关键挑战，旨在促进三维地理信息应用领域的创新。我们的源代码可在https://github.com/tudelft3d/Building-PCC-Building-Point-Cloud-Completion-Benchmarks.git上获得。

本论文旨在探讨点云完整性问题，并建立一个新的真实世界基准数据集，以评估现有深度学习方法在城市建筑点云完整性方面的表现。

本论文提出了一种点云完成技术，以处理由于遮挡、信号吸收和反射等因素导致的不完整数据。

本论文设计了一套完整的实验，使用了新的数据集，并且提供了开源代码。此外，论文还分析了建筑点云完整性所面临的主要挑战。

在此领域的最新研究中，还有一些相关的论文，如《Point Cloud Completion using Convolutional Neural Network for LiDAR Data》和《3D Point Cloud Completion using Deep Learning for Urban Scenes》。