SymmCompletion: High-Fidelity and High-Consistency Point Cloud Completion with Symmetry Guidance

1. El Problema

La completación de nubes de puntos tiene como objetivo recuperar una forma 3D completa a partir de una nube de puntos parcial y esparsa (debido a oclusiones o limitaciones de sensores). Aunque los métodos existentes pueden lograr una completitud global satisfactoria, sufren de dos problemas principales:

• Pérdida de detalles geométricos: Los métodos que reconstruyen la nube completa desde cero a menudo descartan la información de entrada rica en detalles, generando esqueletos de puntos demasiado dispersos que el refinamiento posterior no puede recuperar con alta fidelidad.
• Inconsistencia geométrica: Los métodos que se centran solo en rellenar las zonas faltantes suelen carecer de optimización global, lo que provoca una distribución desigual entre las regiones existentes y las reconstruidas, generando huecos, discontinuidades y formas que no coinciden geométricamente con la parte original.

2. Metodología

Los autores proponen SymmCompletion, un marco de trabajo que utiliza la simetría como guía principal para mejorar tanto la fidelidad como la consistencia. La arquitectura se divide en dos componentes principales:

A. Red de Transformación de Simetría Local (LSTNet)

El objetivo de esta etapa es generar partes faltantes que estén geométricamente alineadas con la entrada parcial.

• Enfoque: A diferencia de métodos anteriores que usan transformaciones globales (que fallan en simetría local), LSTNet estima transformaciones de simetría punto a punto.
• Mecanismo: Utiliza una red de muestreo descendente para extraer geometrías clave ($P_k$), características locales ($F_k$) y características globales ($g$).
• Transformación: Mediante redes neuronales (MLP), predice una matriz afín y una matriz de traslación para cada punto. Estas matrices transforman los puntos clave de la entrada parcial hacia las regiones faltantes basándose en la simetría local.
• Resultado: Genera pares "parcial-faltante" alineados geométricamente y una nube de puntos inicial ($P_{init}$) de alta consistencia.

B. Transformador de Guía de Simetría (SGFormer)

Esta etapa refina la nube de puntos inicial para eliminar huecos y mejorar la fidelidad global.

• Guía Explícita: Utiliza la información geométrica de los pares "parcial-faltante" generados por LSTNet como una guía de simetría explícita.
• Mecanismo de Doble Ruta: Implementa un mecanismo de percepción de doble ruta basado en atención cruzada y auto-atención.
  • Una ruta procesa las características de la nube parcial ($F_k$).
  • La otra procesa las características de la parte faltante ($F_m$).
  • Estas se fusionan con las características de la nube inicial ($F_{init}$) para guiar el proceso de refinamiento.
• Refinamiento: Un decodificador con capas de auto-atención y una operación de "point-shuffle" (mezcla de puntos) predice desplazamientos para upsamplear y refinar la nube, preservando las estructuras existentes y rellenando las áreas discontinuas.

3. Contribuciones Clave

1. Nuevo Marco SymmCompletion: Un enfoque innovador que logra un rendimiento state-of-the-art (SOTA) en múltiples benchmarks, superando la fidelidad y consistencia de métodos anteriores.
2. LSTNet (Local Symmetry Transformation Network): Propone estimar matrices afines y de traslación punto a punto desde características locales, en lugar de depender de suposiciones de simetría global o eixos fijos. Esto permite reconstruir partes faltantes con una consistencia geométrica superior.
3. SGFormer (Symmetry-Guidance Transformer): Desarrolla un mecanismo que utiliza la información de simetría de los pares generados como una guía explícita para la optimización global, asegurando que la red preserve las estructuras originales mientras rellena los huecos.

4. Resultados Experimentales

Los autores evaluaron su método en cuatro conjuntos de datos sintéticos y reales: PCN, MVP, ShapeNet55/34 y KITTI.

• Rendimiento Cuantitativo:
  • En el conjunto de datos PCN, SymmCompletion obtuvo los mejores valores promedio tanto en Distancia de Chamfer (CD) como en Puntuación F1 en todas las categorías (Avión, Armario, Coche, etc.), superando a modelos como PoinTr, SnowflakeNet, SeedFormer y SVDFormer.
  • En el conjunto MVP, demostró robustez en diferentes resoluciones (de 2048 a 16384 puntos), manteniendo el liderazgo en métricas de CD y F1.
  • En ShapeNet55/34, superó a los métodos existentes en niveles de dificultad simple, mediano y difícil, tanto para categorías vistas como no vistas (generalización).
• Rendimiento Cualitativo:
  • Las visualizaciones muestran que SymmCompletion preserva mejor las geometrías originales y reconstruye partes faltantes más coherentes, evitando los huecos y discontinuidades comunes en otros métodos.
  • En el dataset real KITTI, aunque las métricas numéricas (FD y MMD) fueron afectadas por la brecha de dominio, las visualizaciones demostraron una mayor completitud estructural en regiones críticas.
• Estudios de Ablación:
  • Confirmaron que la guía de simetría (uso de $F_k$ y $F_m$) es crucial para el rendimiento.
  • Demostraron que la transformación de simetría local (LSTNet) es superior a métodos basados en simetría global (como USSPA o GTNet) para generar partes faltantes de alta calidad.

5. Significado e Impacto

SymmCompletion representa un avance significativo en la visión por computadora 3D al abordar el compromiso tradicional entre la completitud y la consistencia geométrica.

• Innovación en Simetría: Cambia el paradigma de usar la simetría como una restricción global rígida a utilizarla como una guía local flexible y punto a punto.
• Aplicabilidad: Al mejorar la calidad de las nubes de puntos incompletas, facilita tareas upstream críticas como la clasificación, segmentación y detección en aplicaciones del mundo real (vehículos autónomos, robótica, realidad aumentada).
• Generalización: La capacidad del modelo para manejar categorías no vistas y datos reales sugiere una alta robustez y potencial de adopción en escenarios prácticos donde los datos de sensores son inherentemente incompletos.