Filling Missing Values Matters for Range Image-Based Point Cloud Segmentation

点云分割在机器人感知和导航任务中扮演着重要角色。为了有效地理解大规模的室外点云，通常采用它们的范围图像表示。这种类似图像的表示方式紧凑而有结构，使得基于范围图像的点云分割模型变得实用。然而，范围图像中不可避免地存在缺失值，这会破坏物体的形状和模式，使得模型难以从物体中学习连贯和完整的几何信息。因此，点云分割模型的性能只能达到较低水平。通过深入研究，我们发现不合理的投影方法和去斜扫描主要导致范围图像中的缺失值。此外，几乎所有先前的工作都未考虑如何在点云分割任务中填充意外缺失的值。为了缓解这个问题，我们首先提出了一种新的投影方法，即扫描展开++（SU ++），以避免在生成的范围图像中出现大量缺失值。然后，我们引入了一种简单而有效的方法，即范围依赖的$K$近邻插值（$K$NNI），以进一步填充缺失值。最后，我们引入了填充缺失值网络（FMVNet）和快速FMVNet。在SemanticKITTI、SemanticPOSS和nuScenes数据集上的广泛实验结果表明，通过采用所提出的SU ++和$K$NNI，现有的基于范围图像的点云分割模型始终比基线模型表现更好。此外，FMVNet和Fast FMVNet在速度和准确性的权衡方面均取得了最先进的性能。所提出的方法可以应用于其他基于范围图像的任务和实际应用。

解决点云分割中由于投影方法和扫描不平整导致的缺失值问题，并提出了填充缺失值的方法。

提出了一种新的投影方法SU++，并结合range-dependent $K$-nearest neighbor interpolation ($K$NNI)来填充缺失值。同时引入了FMVNet和Fast FMVNet来解决该问题。

论文使用了SemanticKITTI, SemanticPOSS和nuScenes数据集，并在实验中展示了提出方法的优越性。同时，论文提出的方法可以应用于其他基于range image的任务和实际应用。

最近的相关研究包括：PointRCNN, PV-RCNN和RangeNet++等。