Point Cloud Completion with Diffusion Models

Related works

paper: Point Cloud Pre-training with Diffusion Models

consider the point cloud pre-training task as a conditional point-to-point generation problem, introducing a conditional point generator

backbone -> features (condition) -> point-to-point recovery

借助Diffusion类似点云重建的过程，去训练encoder，提取点云特征用于下游任务。

paper: Diffusion Probabilistic Models for 3D Point Cloud Generation

paper: A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion

CD loss cannot capture the overall point density distribution, leading to non-uniform

Point Diffusion-Refinement(PDR) paradigm = Conditional Generation Network(CGNet) + ReFinement Network(RFNet)

一阶段：CGNet用残缺点云输入利用DDPM得到粗略点云，和GT计算损失。

二阶段：RFNet对粗略点云进行细化。

使用CD损失监督训练会使得补全的点更倾向在输入的残缺点云周围，导致得到的点云不均匀。

EMD对密度分布更敏感，但是计算成本太高。

DDPM的扩散过程是两个连续点云之间的一对一的逐点映射，使得它可以使用简单的均方误差损失函数进行训练。

点云补全任务可以看作是DDPM框架下的条件生成问题。但是直接生成的点云缺乏光滑的表面和清晰的细节。

DDPM加噪的每一步可以看做是逐点的映射，因此点云中点之间的顺序保持不变，但由于加噪到最终得到高斯分布，每个点之间独立同分布是等价的，所以顺序无影响。