自监督任意尺度点云上采样通过隐式神经表示

点云上采样是一个具有挑战性的问题，其目标是从给定的稀疏输入生成稠密且均匀的点云。大多数现有方法要么采用端到端的监督学习方式，利用大量稀疏输入和稠密真实值对作为监督信息；要么将不同缩放因子的上采样视为独立任务，必须构建多个网络来处理不同因子的上采样。在本文中，我们提出了一种新颖的方法，实现自监督和缩放灵活的点云上采样。我们将点云上采样表述为在隐式表面上寻找种子点的最近投影点这一任务。为此，我们定义了两个隐式神经函数，分别用于估计投影方向和距离，这可以通过两个预训练学习任务进行训练。实验结果表明，我们的自监督学习方案的性能达到与甚至优于基于监督学习的最新方法。源代码可以在 https://github.com/xnowbzhao/sapcu 获取。