Diffusion-Occ: 3D Point Cloud Completion via Occupancy Diffusion

点云对于捕捉三维数据至关重要，但由于分辨率和遮挡等限制，通常会出现不完整的问题。传统方法通常依赖于判别式框架中的基于点的方法来完成点云。本文介绍了一种新的框架Diffusion-Occ，用于扩散点云完成。Diffusion-Occ采用两阶段粗到细的方法。在第一阶段中，粗密度体素预测网络（CDNet）处理部分点来预测粗密度体素，通过体素分类简化全局特征提取，而不是以前的基于回归的方法。在第二阶段中，我们引入了Occupancy Generation Network（OccGen），这是一个基于变压器架构的条件占用扩散模型，并通过我们的Point-Voxel Fuse（PVF）块进行增强。该块将粗密度体素与部分点集成在一起，利用全局和局部特征进行全面的完成。通过阈值化占用场，我们将其转换为完整的点云。此外，我们的方法采用多样的训练混合和高效的扩散参数化，以实现在训练和推理过程中的有效一步采样。实验结果表明，Diffusion-Occ优于现有的判别式和生成式方法。

本文旨在解决点云数据不完整的问题，提出了一种新的Diffusion-Occ框架进行点云补全。

Diffusion-Occ框架采用了两阶段的粗到细的方法，第一阶段使用Coarse Density Voxel Prediction Network (CDNet)进行粗略密度体素预测，第二阶段使用Occupancy Generation Network (OccGen)进行条件占据扩散模型的生成，通过阈值将占据场转换为完整的点云。

本文采用了多样化的训练混合和高效扩散参数化，使得在训练和推断过程中都能够有效地进行一步采样。实验结果表明，Diffusion-Occ优于现有的判别性和生成性方法。

在点云补全领域的相关研究还有PointSetGen、PCN、TopNet等。