论文介绍
点云完成是3D视觉中一项有趣且具有挑战性的任务，旨在从稀疏和不完整的点云中恢复完整的形状。现有的基于学习的方法通常需要巨大的计算成本来实现优异的性能，这限制了它们的实际应用。在本文中，我们提出了一种新的递归前向网络（RFNet），它由三个模块组成：递归特征提取（RFE）、前向致密完成（FDC）和原始形状保护（RSP）。RFE从不同重复级别的不完整点云中提取多个全局特征，FDC以粗到细的方式生成点云。RSP引入了原始不完整模型的细节，以完善完成结果。此外，我们提出了一个采样倒角距离来更好地捕捉模型的形状，并提出了一种新的平衡扩展约束来限制从粗到细的扩展距离。根据ShapeNet和KITTI上的实验，我们的网络可以以更低的内存成本和更快的收敛速度达到最先进的水平。
论文地址
https://openaccess.thecvf.com/content/ICCV2021/html/Huang_RFNet_Recurrent_Forward_Network_for_Dense_Point_Cloud_Completion_ICCV_2021_paper.html
