Pesquisa sobre os Últimos Avanços em Aprendizado Profundo para Completação de Nuvens de Pontos

Nuvens de pontos tornaram-se um formato de dado amplamente utilizado em visão computacional, impulsionado pela crescente disponibilidade de dispositivos de escaneamento 3D em aplicações como robótica e condução autônoma. No entanto, desafios na aquisição de dados, como oclusão, reflexão e resolução limitada do sensor, frequentemente resultam em escaneamentos incompletos. Consequentemente, a compleção de nuvens de pontos, a tarefa de reconstruir a geometria completa de um objeto de nuvem de pontos a partir de dados parciais, emergiu como uma área chave de pesquisa. Vários métodos baseados em aprendizado profundo foram propostos para abordar esse problema. Embora existam algumas pesquisas sobre compleção de formas, o crescimento rápido da pesquisa nos últimos anos demanda uma revisão atualizada. Neste trabalho, apresentamos uma revisão abrangente dos avanços recentes em redes neurais profundas para compleção de nuvens de pontos, cobrindo a literatura de 2024 até dezembro de 2025. Após estabelecer um contexto de referência analisando os principais métodos fundamentais até o ano de 2023, revisamos os métodos mais recentes com uma perspectiva analítica com base em como eles melhoraram cada componente específico da rede. Além disso, apresentamos uma análise comparativa do desempenho dos métodos revisados nos principais conjuntos de dados de benchmark e, finalmente, discutimos desafios em aberto, oferecendo insights e sugestões para direções futuras de pesquisa.