[论文解读] Cycle4Completion: Unpaired Point Cloud Completion using Cycle Transformation with Missing Region Coding

Xin Wen, Zhizhong Han+4 more|arXiv (Cornell University)|Mar 14, 2021

3D Shape Modeling and Analysis参考文献 52被引用 8

一句话总结

Cycle4Completion 提出了一种新颖的无配对点云补全方法，通过在不完整与完整形状潜在空间之间建立双向循环变换，提升几何理解与补全精度。通过引入可学习的缺失区域编码以解决循环学习中的目标混淆问题，该模型在 ShapeNet 上实现了最先进性能，相较于先前的无配对方法，平均 Chamfer Distance 降低了 14.6×10⁴。

ABSTRACT

In this paper, we present a novel unpaired point cloud completion network, named Cycle4Completion, to infer the complete geometries from a partial 3D object. Previous unpaired completion methods merely focus on the learning of geometric correspondence from incomplete shapes to complete shapes, and ignore the learning in the reverse direction, which makes them suffer from low completion accuracy due to the limited 3D shape understanding ability. To address this problem, we propose two simultaneous cycle transformations between the latent spaces of complete shapes and incomplete ones. The insight of cycle transformation is to promote networks to understand 3D shapes by learning to generate complete or incomplete shapes from their complementary ones. Specifically, the first cycle transforms shapes from incomplete domain to complete domain, and then projects them back to the incomplete domain. This process learns the geometric characteristic of complete shapes, and maintains the shape consistency between the complete prediction and the incomplete input. Similarly, the inverse cycle transformation starts from complete domain to incomplete domain, and goes back to complete domain to learn the characteristic of incomplete shapes. We provide a comprehensive evaluation in experiments, which shows that our model with the learned bidirectional geometry correspondence outperforms state-of-the-art unpaired completion methods.

研究动机与目标

• 为解决无配对点云补全方法仅能从不完整形状到完整形状学习单向对应关系的局限性。
• 通过学习不完整与完整形状之间的双向几何对应关系，提升补全精度。
• 解决循环学习中的目标混淆问题，即一个完整形状需映射到多个不同的不完整形状。
• 通过保持双向形状一致性的循环变换，增强 3D 形状理解。

提出的方法

• 该方法采用两种循环变换：一种从不完整到完整再返回不完整，另一种从完整到不完整再返回完整，实现双向学习。
• 可学习的缺失区域编码（MRC）模块将不完整形状分解为完整形状表征与缺失区域的编码，从而减少目标混淆。
• 循环变换框架使用部分匹配损失与循环匹配损失，以强制在变换过程中保持形状一致性。
• 生成器损失、循环匹配损失与部分匹配损失通过选择性参数更新进行联合优化，以防止模式崩溃。
• 该模型采用基于自编码器的架构，在两个域中分别编码与解码形状，并通过共享特征实现跨域对齐。
• 通过使用共享参数更新循环匹配损失，训练过程得以稳定，避免了跨域自编码带来的不稳定性。

实验结果

研究问题

• RQ1 在无配对设置下，不完整与完整形状潜在空间之间的双向循环学习是否能提升点云补全性能？
• RQ2 在循环学习过程中，如何解决‘目标混淆’问题，即一个完整形状映射到多个不同的不完整形状？
• RQ3 引入缺失区域编码对基于循环的补全网络的稳定性与准确性有何影响？
• RQ4 不同的损失权重策略如何影响形状一致性与补全质量之间的平衡？
• RQ5 所提出方法在具有不同稀疏度与部分性水平的多样化物体类别上是否具备泛化能力？

主要发现

• 完整版 Cycle4Completion 模型在 ShapeNet 所有类别上的平均 Chamfer Distance 达到 9.1×10⁴，优于先前的无配对方法。
• 当移除部分匹配损失（λₚ = 0）时，CD 上升至 18.8×10⁴，表明其在保持形状保真度方面具有关键作用。
• 循环匹配损失（λc）对一致性至关重要：当 λc = 1.0 且 λp = 0 时，CD 降至 8.9×10⁴，表明仅靠循环学习即可获得强大性能。
• 该模型在不同输入分辨率下均保持稳健性能，CD 从 14.4×10⁴（256 个点）降至 9.1×10⁴（2048 个点），表明其对稀疏输入具有强大泛化能力。
• 通过联合优化循环匹配损失与部分匹配损失，可防止模式崩溃；而同时更新自编码器与变换网络则会导致崩溃。
• 消融研究证实，缺失区域编码模块可减少目标混淆并提升补全质量，尤其在椅子与橱柜等复杂形状上表现更优。