Tag · 11 篇
点云补全
mmWaveFlow：毫米波人体点云的统一增强与生成
mmWaveFlow: Unified Enhancement and Generation of mmWave Human Point Clouds
提出可逆的流匹配框架，在稠密与稀疏毫米波点云之间建立双向传输，并用跨模态潜变量对齐与原点感知流匹配缓解潜路径交叉，为稀疏点云增强与生成提供可复用范式。
Wave-Former：基于无线形状补全的穿透遮挡三维重建
Wave-Former: Through-Occlusion 3D Reconstruction via Wireless Shape Completion
把视觉中的形状补全范式迁移到毫米波点云上，用三阶段流水线（候选表面生成→Transformer 补全→熵引导选择）解决穿透遮挡后的稀疏高噪点云补全问题；其纯合成训练、真实数据泛化的设定，对做稀疏/噪声点云补全和跨域泛化的视觉研究者有直接借鉴价值。
TouchDream：通过想象触觉实现三维物体补全
TouchDream: 3D Object Completion through Imagined Touch
把触觉传感当作可生成的模态：以粗点云和采样接触位姿为条件，用扩散模型生成紧凑的触觉潜变量，再将其反投影到 3D 空间来优化几何，为点云补全提供了一条不依赖视觉线索、可复用的细节引导思路。
面向路侧激光雷达场景补全的概率差异学习
Probabilistic Discrepancy Learning for Roadside LiDAR Scene Completion
用扩散模型在概率位姿校正后做全场景点云补全，并设计区域/全局采样差异损失，可迁移到固定视角遮挡下的点云补全与多模态融合感知。
PQDT：用于鲁棒点云修复的伪查询双 Transformer
PQDT: Pseudo-Query Dual Transformer for Robust Point Cloud Restoration
提出伪查询模块与 Transformer 骨干网络，将几何变换分解为两阶段协同过程，为点云修复提供统一框架，可复用于其他 3D 感知任务中的退化数据处理。
Hyper-PCN：基于超图的高阶相关性建模点云补全
Hyper-PCN: Hypergraph-Based Point Cloud Completion via High-Order Correlation Modeling
用超图显式建模点云中超越成对关系的高阶相关性，并通过锚点式两阶段采样构建协作超图，为点云补全及其他点云密集预测任务提供了一种可复用的高阶关系建模模块。
GaussianGrow：基于文本引导从3D点云几何感知地生长高斯
GaussianGrow: Geometry-aware Gaussian Growing from 3D Point Clouds with Text Guidance
提出从点云生长高斯的框架，利用多视图扩散模型合成一致外观监督，并通过迭代检测未生长区域和2D扩散修复补全，为文本引导的3D高斯生成提供了几何准确的方案。
EvObj：无需场景监督学习演化式以对象为中心表征的 3D 实例分割
EvObj: Learning Evolving Object-centric Representations for 3D Instance Segmentation without Scene Supervision
把「对象先验从合成数据迁移到真实扫描」拆成可迭代的对象判别（动态精炼候选）与对象补全（重建遮挡几何）两个模块，为无监督 3D 实例分割提供了一条不依赖场景级标注、可跨域自适应的路线，可直接用于点云实例分割的预训练-微调流程。
基于形变的上下文学习用于点云理解
Deformation-based In-Context Learning for Point Cloud Understanding
用任务提示引导的形变场替代掩码点建模来预测目标点云，为点云 ICL 提供显式几何先验并消除训练-推理目标不一致，可直接迁移到补全、去噪、配准等点云处理任务。
ComPose：面向鲁棒类别级物体姿态估计的统一补全-姿态框架
ComPose: A Unified Completion-Pose Framework for Robust Category-Level Object Pose Estimation
将点云补全与类别级姿态估计统一到一个端到端框架中，通过渐进式关键点补全和几何关系一致性损失，避免了两阶段方法的误差累积，为处理不完整点云的姿态估计提供了可复用的设计思路。
BuildAnyPoint：从多样点云中抽象结构化三维建筑
BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds
把「点云分布恢复」当作条件潜扩散任务、再用 decoder-only Transformer 自回归生成紧凑网格的两阶段级联思路，可直接迁移到稀疏/噪声点云驱动的结构化三维生成与补全；其恢复出的点云还能作为点云补全的中间表示来提升表面精度与分布均匀性。