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

1. O Problema

A conclusão de nuvens de pontos (Point Cloud Completion) visa recuperar uma forma 3D completa a partir de observações parciais, frequentemente causadas por oclusões ou limitações de resolução de sensores (como LiDAR e câmeras de profundidade).

Os métodos existentes enfrentam dois desafios principais:

• Perda de Detalhes Geométricos: Métodos que reconstroem a nuvem inteira a partir de um "esqueleto" global tendem a perder a geometria original presente na entrada parcial, resultando em formas pouco fiéis.
• Inconsistência Geométrica: Métodos que focam apenas em preencher as regiões faltantes frequentemente falham em otimizar globalmente a combinação entre a parte existente e a reconstruída. Isso leva a distribuições desiguais de pontos, buracos e descontinuidades nas junções entre as partes originais e as geradas.

Além disso, abordagens anteriores baseadas em simetria geralmente aplicam transformações globais (como rotação de todo o objeto), o que falha em capturar simetrias locais complexas e não eixos-simétricos.

2. Metodologia

O SymmCompletion propõe uma nova arquitetura baseada em duas etapas principais, utilizando a simetria como guia fundamental para garantir alta fidelidade e consistência.

A. Rede de Transformação de Simetria Local (LSTNet)

O primeiro componente foca na geração de partes faltantes que sejam geometricamente alinhadas com a entrada parcial.

• Mecanismo: Em vez de usar transformações globais, o LSTNet estima transformações de simetria ponto a ponto (point-wise) baseadas em características locais.
• Funcionamento: A rede extrai geometrias-chave ($P_k$) e características globais/locais da entrada parcial. Utilizando MLPs (Redes Neurais Multicamada), ela prevê uma matriz afim ($A$) e uma matriz de translação ($T$) para cada ponto.
• Objetivo: Transformar os pontos geométricos existentes para as regiões faltantes ($P_m$) baseando-se na simetria local. Isso cria pares "parcial-faltante" alinhados geometricamente e uma nuvem de pontos inicial ($P_{init}$) de alta consistência.

B. Transformer de Orientação por Simetria (SGFormer)

O segundo componente é responsável pelo refinamento global da nuvem de pontos inicial.

• Desafio: A combinação inicial de partes parciais e faltantes pode apresentar regiões ocos ou descontinuadas, especialmente nas conexões.
• Mecanismo: O SGFormer utiliza um mecanismo de percepção de dupla via (dual-path perception) baseado em atenção (Attention).
  • Ele integra as características geométricas dos pares "parcial-faltante" ($F_k$ e $F_m$) como um guia explícito de simetria para o processo de refinamento.
  • Utiliza camadas de Cross-Attention e Self-Attention para fundir essas informações, garantindo que a rede preserve as estruturas existentes enquanto preenche as lacunas de forma coerente.
• Saída: Um decodificador com point-shuffle gera a nuvem de pontos final refinada ($P_{fine}$), aumentando a densidade e suavizando as transições.

3. Principais Contribuições

1. Novo Framework (SymmCompletion): Uma abordagem que supera o estado da arte (SOTA) em múltiplos benchmarks, focando simultaneamente na fidelidade (detalhes) e consistência (coerência global) da reconstrução.
2. LSTNet (Local Symmetry Transformation Network): Introduz a estimativa de transformações afins e de translação ponto a ponto. Diferente de métodos anteriores que assumem simetria global ou eixos fixos, o LSTNet adapta-se a simetrias locais complexas, preservando a geometria original.
3. SGFormer (Symmetry-Guidance Transformer): Desenvolve um mecanismo que usa explicitamente a informação geométrica dos pares parcial-faltante como prioridade de simetria para guiar o refinamento, resolvendo problemas de descontinuidade e distribuição desigual de pontos.

4. Resultados Experimentais

Os autores avaliaram o método em quatro conjuntos de dados: PCN, MVP, ShapeNet55/34 e KITTI (dados reais).

• Desempenho Quantitativo:
  • No conjunto PCN, o SymmCompletion obteve os melhores resultados em todas as categorias para a Distância Chamfer (CD) e F1-Score, superando métodos como SeedFormer, SVDFormer e PoinTr.
  • No conjunto MVP, demonstrou robustez em diferentes resoluções (2048 a 16384 pontos), mantendo o melhor desempenho.
  • No ShapeNet55/34, superou métodos concorrentes em níveis de dificuldade simples, médio e difícil, tanto para categorias vistas quanto não vistas (generalização).
• Desempenho Qualitativo:
  • Visualizações mostram que o método preserva melhor as estruturas originais e preenche as partes faltantes com maior consistência geométrica, evitando os "buracos" e formas distorcidas comuns em outros métodos.
  • No dataset KITTI (cenários reais), embora as métricas numéricas (FD e MMD) tenham limitações devido a discrepâncias de domínio, as visualizações demonstraram uma reconstrução mais completa e estruturalmente precisa nas regiões críticas.

5. Significado e Conclusão

O trabalho do SymmCompletion é significativo porque resolve o dilema fundamental na conclusão de nuvens de pontos: como preencher lacunas sem destruir a informação existente ou criar inconsistências.

Ao deslocar o foco de transformações globais para transformações locais ponto a ponto e utilizar a simetria como um guia explícito durante o refinamento, o método consegue:

• Manter a integridade da geometria original capturada pelo sensor.
• Gerar partes faltantes que se fundem perfeitamente com o restante do objeto.
• Oferecer uma solução robusta tanto para dados sintéticos quanto para aplicações do mundo real (como veículos autônomos).

A ablação study confirma que tanto a transformação de simetria local (LSTNet) quanto o guia de simetria no refinamento (SGFormer) são componentes essenciais para o sucesso do modelo.