Key points are not available for this paper at this time.
Nous présentons ShapeFormer, un réseau basé sur un transformateur qui produit une distribution de complétions d'objets, conditionnée à des nuages de points incomplets et possiblement bruyants. La distribution résultante peut ensuite être échantillonnée pour générer des complétions probables, chacune présentant des détails de forme plausibles tout en restant fidèle à l'entrée. Pour faciliter l'utilisation des transformateurs pour la 3D, nous introduisons une représentation 3D compacte, fonction implicite profonde quantifiée par vecteurs (VQDIF), qui utilise la parcimonie spatiale pour représenter une approximation proche d'une forme 3D par une courte séquence de variables discrètes. Les expériences montrent que ShapeFormer surpasse les travaux antérieurs pour la complétion de forme à partir d'entrées partielles ambigües en termes de qualité et de diversité des complétions. Nous montrons également que notre approche gère efficacement une variété de types de formes, de motifs incomplets et de scans du monde réel.
Yan et al. (Mercredi) ont étudié cette question.