3D-Punktwolken sind entscheidend für die Darstellung geometrischer Strukturen in verschiedenen Bereichen wie autonomes Fahren und virtuelle Realität. Reale Daten sind jedoch häufig unvollständig aufgrund von Occlusions und Rauschen, und bestehende Vervollständigungsmethoden basieren typischerweise auf gepaarten vollständigen und unvollständigen Trainingsdaten oder sind darauf beschränkt, relativ kleine fehlende Regionen zu rekonstruieren, was ihre Effektivität bei hohen Fehlerraten einschränkt. Dieses Papier stellt eine GAN-basierte Methode zur Vervollständigung von 3D-Punktwolken vor, die in der Lage ist, detaillierte Strukturen aus teilweisen Eingaben zu rekonstruieren. Unser End-to-End-Framework, bestehend aus einem Encoder, Generator und Diskriminator, optimiert die topologische Genauigkeit und räumliche Kontinuität durch einen mehrgliedrigen gemeinsamen Verlust. Experimentelle Ergebnisse des ModelNet40-Datensatzes zeigen eine überlegene Leistung gegenüber traditionellen und tiefen Lernmethoden und erreichen eine Chamfer-Distanz (CD = 0,085), eine Earth-Mover-Distanz (EMD = 0,199) und einen F-Score (0,208). Die generierten hochwertigen Punktwolken unterstützen nachgelagerte Aufgaben wie Pfadplanung und robotergestütztes Greifen. Der Quellcode und die experimentellen Datensätze, die in dieser Arbeit verwendet wurden, sind öffentlich verfügbar unter: DOI: https://doi.org/10.5281/zenodo.18421141.
Zhao et al. (Wed,) haben diese Frage untersucht.