Point clouds are a commonly used data type for representing 3D shapes, but they are often incomplete in the real world. To address this issue, researchers have developed point cloud completion methods for completing missing or incomplete data. These methods have typically been designed for use in either fully-supervised or unpaired settings, but both approaches require the use of complete point clouds, which can be difficult to obtain in practice. In this paper, we propose a novel point cloud completion method that can be trained using only incomplete point clouds and their corresponding poses. Our method extracts a pose-invariant shape feature from the incomplete point cloud, which is shared among all point clouds of the same object. Then, using this shape feature and a sampled pose, we generate a pose-aware incomplete point cloud that appears as if it was captured from that pose. We integrate these incomplete point clouds of various poses into a pseudo-complete point cloud and use it as a ground truth for training a new point cloud completion network. Through extensive experiments, including ablation studies and real point cloud tests, we demonstrate that our method achieves comparable completion performance to existing methods, without requiring any complete point clouds.
포인트 클라우드는 3차원 형태를 나타내는 대표적인 데이터 타입 중 하나이다. 하지만, 실제로 포인트 클라우드를 얻을 때에는 필연적으로 불완전한 형태로 얻을 수 밖에 없다. 이를 해결하기 위해, 포인트 클라우드 완성이라는 연구가 제안되었고 발전되었다. 포인트 클라우드 완성에 대한 기존 연구는 완전히 감독되거나 페어링되지 않은 세팅에서 수행되었다. 그러나 두 접근 방식 모두 실제로 획득하기 어려운 완전한 포인트 클라우드에 의존한다. 본 논문에서는 불완전한 포인트 클라우드와 해당 포즈만을 이용하여 학습할 수 있는 새로운 포인트 클라우드 완성 방법을 제안한다. 불완전한 포인트 클라우드에서 동일한 객체의 포인트 클라우드 간에 공유되는 포즈 불변 형상 특징을 추출한다. 그런 다음 모양 기능과 샘플링된 포즈를 사용하여 해당 포즈에서 캡처된 것처럼 보이는 포즈를 고려한 불완전 포인트 클라우드를 생성한다. 우리는 다양한 포즈의 불완전한 포인트 클라우드를 유사 완전 포인트 클라우드로 통합하고 이를 새로운 포인트 클라우드 완성 네트워크를 교육하기 위한 지상 실측 정보로 사용한다. 제안한 방법을 검증하기 위해 어블레이션 연구와 실제 포인트 클라 우드에 대한 적용을 포함한 광범위한 실험을 수행한다. 마지막으로 우리의 방법은 완전한 포인트 클라우드를 사용하지 않고 기존 방법과 비교하여 비슷한 완성 성능을 달성하였다.
