SFFAI论坛已开放注册，详情点击查看：https://bbs.sffai.com/d/312
关注公众号：【人工智能前沿讲习】，回复【SFFAI114】获取讲者PPT资料，入交流群，推荐论文下载。
由于视角、遮挡和噪声的影响，实时扫描的点云通常是不完整的。现有的点云补全方法倾向于生成全局形状骨架，因此会缺乏精细的局部细节。此外，现有方法主要学习确定性的部分到完全的映射，但忽略了人造物体中的结构关系。
讲者介绍
潘亮：南洋理工大学 S-Lab 博士后，主要研究方向为基于深度学习的 3D 点云形状重建和语义感知，目前已在机器人和计算机视觉顶会发表多篇论文。
报告题目：变分关联点云补全网络
报告摘要：在 CVPR 2021 上，南洋理工大学 S-Lab 与商汤 IRDC 团队合作提出变分关联点云补全网络 (VRCNet)。如 Fig.1(a) 所示， VRCNet 首先预测出粗略形状框架 (PMNet)，再增强关联性形状细节生成 (RENet)。对比之前方法， VRCNet 生成的完整点云有显著的质量提升 (见 Fig.1(b))。更进一步地， Fig.1© 中的补全结果显示， VRCNet 可以基于观测到的不同的残缺点云，结合关系性架构推测生成合理而不同的完整点云。此外，本文还建立了一个大规模多视角的残缺点云 (MVP) 数据集，可以应用于包括残缺点云分类、分割和配准等多个点云学习任务的研究。
论文题目：Variational Relational Point Completion Network
分享亮点：
- 我们提出了 VRCNet，一个综合且强力的变分关联性点云补全网络。VRCNet 可以通过学习关联性结构来预测高质量完整点云；
- 此外，我们还提出了多个新颖并且强力的基于自注意力的点云学习模块，如 PSA 和 PSK，它们也可以很便捷地被运用到其他的点云学习任务中；
- 特别地，我们贡献了一个大规模的点云数据集 MVP，可以应用于多个点云学习任务，比如残缺点云分类和配准。
论文推荐
PCN Point Completion Network
推荐理由：首先使用深度学习实现 3D 点云补全， 证明了深度学习对点云补全任务的有效性。
TopNet Structural Point Cloud Decoder
推荐理由：提出了第一个在线测试的点云补全基准数据集。
Morphing and Sampling Network for Dense Point Cloud Completion∗
推荐理由：通过多个并行的点云学习路径，实现了全局点云形状生成。
ECG Edge-aware Point Cloud Completion with Graph Convolution
推荐理由：通过图网络学习并保留点云局部特征，增强了补全点云的质量。
GRNet Gridding Residual Network for Dense Point Cloud Completion
推荐理由：使用网格表征点云，可以更好地捕捉点云细节特征。
Detail Preserved Point Cloud Completion via Separated Feature Aggregation
推荐理由：使用多阶层网络，并行地收集不同层次的点云特征以获得保留局部特征的完整点云。