/point-cloud-completion-survey

无监督

  1. Unpaired Point Cloud Completion on Real Scans Using Adversarial Training (ICML 2020)[paper] [code]

Problem: 现有的方法都是全监督学习，依赖 残缺 - 完整 配对的训练数据，无法在真实场景（缺少对应完整点云）的场景下适用。

  1. Multimodal Shape Completion via Conditional Generative Adversarial Networks (ECCV 2020)[paper][code]

Problem: 现有点云补全工作都是1个input 1个output，忽略了未知区域的几何不确定性，即一个残缺点云，可能对应多个完整点云。

  1. Unsupervised 3D Shape Completion through GAN Inversion（CVPR2021）[paper][code]

Problem: 监督学习在in-domain数据表现好，但应用到其他数据时，由于存在domain gap，泛化能力差。

  1. Cycle4Completion: Unpaired Point Cloud Completion using Cycle Transformation with Missing Region Coding （CVPR2021）[paper][code]

Problem: 之前的工作只关注残缺到完整的支路，没有关注到完整到残缺的支路，导致效果不好。

全监督

  1. GRNet：Gridding Residual Network for Dense Point Cloud Completion （ECCV2020）[paper][code]

Problem：之前的工作都是直接处理点云，没有考虑结构和上下文信息，会造成细节上的损失。Voxelization会造成细节丢失，MLP的方法没有用好local的上下文信息

Contribution：提出一个3D Grid作为中间表示，将点云有序结构化，还提出Cubic Feature Sampling来提取上下文信息

  1. Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion（NIPS2021）[paper][code]

Problem：之前常用的CD，EMD loss有局限，CD对点集密度敏感，EMD对细节优化不好

Contribution：提出DCD loss，更高效的损失函数

  1. PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers （ICCV2021）[paper][code]

Problem：之前基于MLP+max pooling的网络结构导致了很多细节损失，需要学习好的细节信息和long-range关系

Contribution：首个点云补全的Transformer，因为Transformer能良好处理长序列问题

  1. Variational Relational Point Completion Network（CVPR2021）[paper][code]

Problem：当前的方法倾向于生成全局的skeleton，但忽略了局部的细节 当前有利用local fature信息的方法是学习了一个 partila - complete的映射，缺乏基于局部观察的条件生成能力。之前的方法无法获得几何对称性、规则排列和表面平滑度等信息

  1. PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths (CVPR 2021) [paper][code]

Problem：当前encoder-decoder结构的方法大多从一个latent code来生成点云，然而光是一个latent code的能力有限，不能得到很高质量的点云

Contribution：从新的视角看点云补全任务，通过移动现有点

  1. SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution with Skip-Transformer (ICCV 2021) [paper][code]

Problem:由于点云离散和不规则的特性，之前的方法对局部细节处理不好

  1. Point Cloud Completion by Skip-attention Network with Hierarchical Folding（CVPR2020）[paper]

Problem:现有方法学到的Global feature 缺少local细节信息

  1. Style-based Point Generator with Adversarial Rendering for Point Cloud Completion [paper][code]

Problem: 之前的decoder常用的folding方法是目前的一个性能瓶颈，设计了一个基于feature的style base的Generatoor，CD，EMD监督信号不够，引入2D深度图loss