Key points are not available for this paper at this time.
Wir präsentieren ein detailgetriebenes tiefes neuronales Netzwerk für das Upsampling von Punktmengen. Eine hochauflösende Punktmenge ist entscheidend für die punktbasierte Darstellung und Oberflächenrekonstruktion. Inspiriert von dem jüngsten Erfolg der neuronalen Techniken zur Superauflösung von Bildern trainieren wir schrittweise eine Kaskade von patch-basierten Upsampling-Netzwerken auf unterschiedlichen Detailstufen end-to-end. Wir schlagen eine Reihe von architektonischen Entwurfsbeiträgen vor, die zu einer erheblichen Leistungssteigerung führen. Der Effekt jedes technischen Beitrags wird in einer Ablationsstudie demonstriert. Qualitative und quantitative Experimente zeigen, dass unsere Methode die derzeit besten, lernbasierten und optimierungsbasierten Ansätze signifikant übertrifft, sowohl in Bezug auf die Verarbeitung von Niedrigauflösungs-Eingaben als auch auf die Darstellung von hochauflösenden Details.
Wang et al. (Sat,) haben diese Frage untersucht.