Autouzupełnianie 3D chmur punktów za pomocą sztucznej inteligencji

Reprezentowanie obiektów za pomocą chmur punktów 3D jest coraz bardziej powszechne. Coraz więcej urządzeń z nich korzysta. Nie zmienia to faktu, że dobrej jakości skaner 3D jest dość drogi, a nawet on nie gwarantuje, że każdy skan będzie kompletny. W konsekwencji mamy do czynienia z problemem rekonstrukcji chmur punktów. Większość z podejść rozwiązujących ten problem tworzy tylko jedną rekonstrukcję dla niekompletnej chmury punktów. W niektórych przypadkach jest to niewystarczające. W tej pracy chciałbym opisać podejście HyperPocket. Jest to hipersieciowe podejście do autouzupełniania, czyli generatywnej rekonstrukcji chmur punktów. Podejście to zakłada, że zadana chmura punktów to kieszeń, którą można wypełnić na wiele różnych sposobów. Wyniki naszego modelu można wykorzystać w wielu nowatorskich zastosowaniach, od autonomicznych samochodów do grafiki komputerowej i designu. Porównania i eksperymenty przedstawione w tej pracy pokazują, że HyperPocket ma konkurencyjną wydajność w stosunku do innych state-of-the-art modeli i oferuje nowy punkt widzenia na reprezentację chmury punktów.

Representing objects with 3D point clouds becomes more and more common. However, this does not change the fact that a good quality 3D scanner is quite expensive, and even it does not guarantee that every scan would be a complete point cloud, so we deal with the problem of point cloud reconstruction. Most of the state-of-the-art approaches to solving this problem create only one reconstruction per the incomplete point cloud. In some cases, this is not enough. In this work, I want to describe HyperPocket approach. It is a hypernetwork approach for autocompletion or generative point cloud reconstruction. It bases on the idea that missing data from the complete point cloud is a pocket that you can fill in many different ways. Such human intuition behind the model enables using it in a plethora of novel applications from self-driving cars to computer graphics and design. Comparisons and experiments presented in this work show that HyperPocket has a competitive performance to other state-of-the-art models in different tasks and offers a new point of view on point cloud representation.