Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning

最近，任意比例点云上采样机制因其在实际应用中的高效性和便利性而变得越来越流行。为了实现这一目标，大多数先前的方法将其制定为表面逼近问题，并采用基于点的网络来学习表面表示。然而，从稀疏点云中学习表面更具挑战性，因此它们经常受到低保真几何逼近的困扰。为了解决这个问题，我们提出了一种使用基于体素的网络的任意比例点云上采样框架（PU-VoxelNet）。由于基于体素表示所继承的完整性和规律性，基于体素的网络能够提供预定义的网格空间来逼近三维表面，并且可以根据每个网格单元格内预测的密度分布重建任意数量的点。然而，我们调查了由于不准确的密度预测引起的不准确的网格采样。为了解决这个问题，我们开发了一种密度引导的网格重采样方法，可以在有效避免采样离群值的同时生成高保真度的点。此外，为了改善细节，我们提出了一个辅助训练监督来强制执行局部表面补丁之间的潜在几何一致性。大量实验表明，所提出的方法不仅在固定上采样率方面优于现有技术，而且在任意比例上采样方面也优于现有技术。

本文旨在解决点云上采样的问题，尤其是在稀疏点云情况下，如何实现高保真的几何重建。

本文提出了一种基于体素网格的点云上采样框架（PU-VoxelNet），通过预测每个体素内的密度分布来重建点云。同时，为了解决预测密度不准确导致的网格采样问题，本文提出了一种基于密度引导的网格重采样方法。

本文通过实验表明，所提出的方法不仅在固定上采样率的情况下优于现有的方法，而且在任意尺度上采样时也表现出色。此外，本文还通过辅助训练监督来提高精细细节的表现，并且在多个数据集上进行了广泛的实验验证。

在点云上采样的领域中，最近的相关研究包括PointNetUpsampling、PU-Net、ShellNet等。