课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340

自选论文：PF-Net: Point Fractal Network for 3D Point Cloud Completion

1. 背景：

3D点云补齐是一种输入某物体部分点云，输出完整点云的任务。在自动驾驶，机器人领域具有应用价值。

本文为解决3D点云补齐，提出了Point Fractal Network(FP-Net)。 贡献有：

(1) 与其他方法不同，本方法输入为部分点云，输出为另一部分点云，这样可以保持输入点云的原有信息，使网络专注与点云补齐；

(2) 提出Multi-Resolution Encoder(MRE) 抽取多个分辨率的点云数据，可以提取点云的细节(low-leve)与框架(high-level)，增强网络的几何信息提取能力；

(3) 提出Point Pyramid Decoder(PPD)，增强补齐能力

2. 方法

如图所示，作者根据encoder-decoder的架构，提出多分辨率的表征和重建架构，输入端使用iterative farthest point sampling(IFPS）方法，采样三个分辨率的部分点云，然后将其编码为隐变量向量V，之后使用特征金字塔的思想，按照不同的分辨率解码隐变量向量，生成三个分辨率的补齐点云。

3. 实验

Chamfer Distance: 一种刻画点集与点集的距离的度量。

生成的三个分辨率的补齐点云使用Chamfer Distance与ground truth比较，作为loss，另一部分是使用GAN的训练方法，训练另一个判别器作为对抗loss。

上表为缺失点云的补齐结果，总体而言PF-Net表现最佳，PF-Net（vanilla）为没有判别器和对抗loss的版本，总体而言，达到SOTA。

消融实验

首先在modelNet40训练线性分类任务，测试MRE的性能，与PointnetMLP相比，MRE的精确度提升了1个点左右。

针对decoder部分，固定MRE 模块，测试PPD的效果。如下图所示，带有PPD模块的PF-Net达到了最佳效果。

结论
FP-Net 提出了一种新的encoder-decoder结构，利用多分辨率点云信息提升点云补齐效果，达到SOTA的效果