三维点云补全 (Point Cloud Completion)
从部分/残缺的三维点云观测中恢复完整几何形状的任务。是三维视觉的基础性问题，广泛应用于自动驾驶、机器人、AR/VR 和 CAD。
Overview
点云补全的目标是从 LiDAR、深度相机等设备获取的不完整点云中，恢复出完整的物体或场景几何结构。现实扫描数据受自遮挡、传感器噪声、非均匀密度分布等因素影响，往往严重残缺。
点云补全的发展经历了两个主要阶段：
- 确定性深度网络时代（2018-2021）：基于编码器-解码器架构，使用 CD 等几何损失直接回归完整点云。代表性工作有 PCN、AtlasNet、FoldingNet。
- 概率生成模型时代（2021-至今）：引入扩散概率模型（DDPM），从随机噪声中逐步去噪恢复完整形状。代表性工作有 PVD、DiffComplete、Simba、SymmCompletion。
核心挑战
- 几何保真度 vs 全局完整性：保留输入中的细粒度局部细节，同时生成全局结构合理的缺失部分
- 置换不变性：点云是无序集合，网络必须对点序不敏感
- 噪声与稀疏性：真实扫描数据噪声大、密度不均匀
- 零样本泛化：在未见过的物体类别上完成补全
代表性方法谱系
| 阶段 | 代表方法 | 核心思想 |
|---|---|---|
| 确定性编码-解码 | PCN (2018)、AtlasNet (2018)、FoldingNet | Coarse-to-fine、参数化曲面折叠 |
| 扩散概率模型 | PVD (ICCV 2021) | 点-体素混合扩散 |
| 条件扩散补全 | DiffComplete (NeurIPS 2023) | 分层特征聚合 + 占用感知融合 |
| 对称先验引导 | SymmCompletion (AAAI 2025) | 局部对称变换 + 对称引导 Transformer |
| 变换扩散 + Mamba | Simba (AAAI 2026) | 变换场扩散 + Mamba 细化 |
| 流匹配补全 | Not-So-OT Flow (ICLR 2025) | 离线 OT + 混合耦合，5 步推理 |
| --- | CVPR 2026 前沿 | — |
| 分块体素扩散场景补全 | PatchScene | 分块扩散 + 随机耦合融合 + Annular-Flow，零样本 20m→50m 泛化 |
| 零样本潜空间补全 | LaS-Comp | Explicit Replacement + Implicit Alignment，training-free 桥接 3D 基础模型 |
| 就地补全新范式 | 3D-Fixer | 以观测为锚点原位补全 + AABB 外扩 + ORFA 教师-学生对齐 |
| 超图高阶补全 | Hyper-PCN | HyperRS 阈值退火 + A-HGNN 锚点全局建图 |
| 基元代理结构化补全 | UniCo | K=40 可学习查询并行解码点 + 基元 + 匈牙利匹配 |
| 触觉引导补全 | TouchDream | 条件扩散想象触觉信号，触觉隐空间 + 交叉注意力精化 |
| 爆炸-收拢两态扩散 | EI-Part | 先径向炸开腾空间补全，再迭代收拢精修 |
| 补全-位姿统一 | ComPose | 补全作为位姿估计内部组件，关键点渐进补全 |
| 无线信号补全 | Wave-Former | 毫米波穿透遮挡重建，候选面 + Transformer + 熵选择 |
Related
- diffusion-model-3d — 三维扩散模型架构基础
- loss-function-point-cloud — 点云损失函数演进
- conditional-generation-3d — 多模态条件引导
- diffcomplete — 基于扩散的补全框架
- pvd — 点-体素混合扩散补全
- syncnoise — 指令驱动的三维编辑
Counter-arguments & data gaps
- 确定性方法虽然过平滑，但在低数据量场景下仍比扩散模型稳定
- 现有方法大多在合成数据集（ShapeNet/PCN）上评估，真实 LiDAR 扫描的补全质量仍然不足
- 计算效率：扩散模型推理速度慢，难以满足实时应用
Sources
- 三维点云生成条件控制综述 — 2026