Parametric Point Cloud Completion for Polygonal Surface Reconstruction¶

会议: CVPR 2025
arXiv: 2503.08363
代码: 项目页
领域: 3d_vision
关键词: 点云补全, 参数化基元, 多面体表面重建, 二分匹配, 序列生成

一句话总结¶

提出参数化点云补全新范式 PaCo，从不完整点云中推理参数化平面基元（而非单个点），通过层次编码、代理生成和二分匹配优化，实现了从不完整数据到高质量多面体表面重建的直接桥接。

研究背景与动机¶

多面体表面重建追求紧凑的平面表示，但现有方法严重依赖输入完整性：

点云补全与表面重建的鸿沟：现有点云补全方法（如 PoinTr）恢复单个点，但忽略了分段平面几何结构，无法直接用于多面体重建
基元装配方法的依赖：PolyFit/KSR/COMPOD 等方法需要高质量的平面基元（通常由 RANSAC 提取），对不完整输入效果差
传统补全的局限：额外恢复的点可能不在平面上（非共面），破坏平面结构

本文提出「参数化补全」新范式：不恢复单个点，而是推理参数化基元（平面参数 + 内点分布）。

方法详解¶

整体框架¶

给定不完整点云 \(X\)，PaCo 先将其层次编码为平面代理 \(V\)；然后通过代理生成器生成完整表面的代理提案；参数恢复模块从代理中提取平面参数和内点分布；最后通过基元选择器筛选有效基元。训练用二分匹配实现预测与 GT 基元的对应。

关键设计¶

1. 层次编码：点→补丁→平面

功能：将不完整点云逐层聚合为包含结构信息的平面代理
核心思路：用 GoCoPP 先将点分组为平面段 \(S\)，用 PoinTr 编码方案获得点补丁特征 \(X'\)，通过查找表建立点→补丁→平面的映射 \(f'\)，sum 池化聚合得到平面代理，并注入法线嵌入：\(v_i = \text{sum}(X_i') + \Phi(n_i)\)
设计动机：从低级点特征到高级平面特征的渐进聚合，保留局部几何细节同时传达平面级结构信息

2. 参数恢复模块（参数估计 + 点分布 + 基元选择）

功能：从代理中恢复完整的参数化基元，包括平面参数、内点分布和置信度
核心思路：参数估计器用极坐标 \((r_i, \theta_i, \varphi_i)\) 表示平面参数（避免轴对齐退化）；点分布器预测每个内点的极角 \((\theta_{ij}, \varphi_{ij})\)，半径由平面参数推导：\(r_{ij} = \frac{r_i}{\cos(\Delta\varphi)\sin\theta_{ij}\sin\theta_i + \cos\theta_{ij}\cos\theta_i}\)；基元选择器输出置信度 \(\kappa_i \in [0,1]\)
设计动机：极坐标避免笛卡尔表示的退化问题；半径从角度和平面参数推导确保点严格在平面上；变长基元适应不同复杂度的表面

3. 二分匹配优化框架

功能：建立预测基元与 GT 基元的最优对应关系，解决集合预测中的顺序不确定性
核心思路：匈牙利算法最小化总匹配成本：\(\hat{\sigma} = \arg\min_{\sigma \in \Pi} \sum_i^M C(p_i, \hat{p}_{\sigma(i)})\)。成本包含语义项（分类）和几何项（法线 + 平面 Chamfer + 排斥力损失），GT 用 \(\emptyset\) 填充到与预测等基数
设计动机：受 DETR 启发，二分匹配自然处理变数量、无序的基元集合，避免预定义基元数的限制

损失函数¶

\[\mathcal{L}_{total} = \sum_{i=1}^{M} (\mathcal{L}_{cls}^{(i)} + \beta_1 \mathcal{L}_{norm}^{(i)} + \beta_2 \mathcal{L}_{cp}^{(i)} + \beta_3 \mathcal{L}_{rep}^{(i)}) + \beta_4 \mathcal{L}_{co}\]

其中 \(\mathcal{L}_{cls}\) 为基元分类 BCE 损失，\(\mathcal{L}_{norm}\) 为法线余弦 + L2 损失，\(\mathcal{L}_{cp}\) 为逐基元 Chamfer 距离，\(\mathcal{L}_{rep}\) 为排斥力损失（促进均匀分布），\(\mathcal{L}_{co}\) 为全局 Chamfer 距离。

实验关键数据¶

ABC 数据集上的多面体重建对比¶

补全方法 + PolyFit	CD↓(×100)	HD↓(×100)	NC↑	FR↓(%)
PCN	14.10	20.73	0.620	71.27
FoldingNet	12.07	21.24	0.814	3.54
PoinTr	10.57	16.43	0.822	25.92
AdaPoinTr	9.86	15.36	0.831	23.24
PaCo (Ours)	2.23	7.44	0.936	0.25

不同遮挡级别对比¶

遮挡级别	PaCo CD↓	AdaPoinTr CD↓	提升
Simple (25%)	1.45	6.82	4.7×
Moderate (50%)	2.15	9.42	4.4×
Hard (75%)	3.09	13.34	4.3×

关键发现¶

PaCo 在 CD 上比最佳基线 AdaPoinTr 提升 4-5 倍，失败率从 23.24% 降至 0.25%
在 75% 缺失（hard）条件下仍然保持优秀性能，说明参数化补全对严重不完整数据特别有效
恢复的基元直接用于 PolyFit/COMPOD/KSR 三种重建器都取得最佳效果

亮点与洞察¶

范式创新：从「恢复点」到「恢复基元」的思路转变，是点云补全领域的重要突破
结构保持：参数化表示确保恢复的点严格在平面上，消除非共面噪声
DETR 式集合预测：二分匹配优雅地处理了变数量无序基元的预测问题

局限与展望¶

仅处理平面基元，不支持曲面
依赖 GoCoPP 的前置分割质量
ABC 数据集偏 CAD 模型，真实扫描场景需要验证
未来可扩展到参数化曲面（如柱面、球面）

评分¶

⭐⭐⭐⭐⭐ — 范式创新价值极高，将点云补全与表面重建的鸿沟一步跨越。方法设计严谨，消融充分，在极端不完整数据下的鲁棒性令人印象深刻。