SymmCompletion
SymmCompletion: High-Fidelity and High-Consistency Point Cloud Completion with Symmetry Guidance（AAAI 2025）— 通过局部对称变换网络 + 对称引导 Transformer 实现高保真、高一致性的点云补全。
Overview
- 发布时间：AAAI 2025（arXiv 2503.18007v1）
- 作者机构：HKUST + 四川大学
- 代码：HongyuYann/SymmCompletion
- 核心问题：现有方法在补全中丢失原始几何细节，且在已有区域与重建缺失部分之间存在几何不一致
架构
1. LSTNet (Local Symmetry Transformation Network)
- 对输入残缺点云进行下采样提取关键几何点 $P_k$ 及其特征 $F_k$ 和全局特征 $g$
- 预测逐点仿射矩阵 $A \in \mathbb{R}^{N_k \times 3 \times 3}$ 和平移矩阵 $T \in \mathbb{R}^{N_k \times 3}$
- 通过局部对称变换将已有几何映射到缺失区域：$P_m = P_k A + T$
- 生成初始点云 $P_{init} = [P_k, P_m]$
2. SGFormer (Symmetry-Guidance Transformer)
- 双路感知机制：分别用 $F_k$（已有区域特征）和 $F_m$（缺失区域特征）通过交叉注意力 + 自注意力引导优化
- 采用 Coarse-to-fine 策略，堆叠两个 SGFormer 逐步细化
关键创新
- 局部而非全局对称：逐点仿射变换，克服了全局对称假设（如 USSPA 的轴对称）对非轴对称物体的限制
- 显式对称引导：用 partial-missing pair 的几何信息作为明确信号约束优化过程
性能（PCN Dataset, CD × 10³ ↓）
| 方法 | CD-AVG |
|---|---|
| PoinTr | 8.38 |
| SnowflakeNet | 7.21 |
| SeedFormer | 6.74 |
| SVDFormer | 6.54 |
| SymmCompletion | 6.28 |
局限
- 回归方法易过拟合训练分布，对噪声敏感
- 对极度缺乏对称性的输入仍难以准确重建
- 每个点独立处理，噪声下全局结构可能碎片化
Related
- point-cloud-completion — 点云补全总览
- simba — 将 SymmCompletion 的回归范式改进为扩散生成
- classic-completion — 对比传统方法
Sources
- SymmCompletion PDF (46M) — 2025