IPGR：用于自监督点云完成的实时几何一致性优化

《Expert Systems with Applications》：IPGR: Real-Time Geometric Consistency Optimization for Self-Supervised Point Cloud Completion

　　秦晓飞|陶诗伟|何长香|易安罗|张杰|张学典
上海科技大学光电与计算机工程学院，上海200093，中国

**摘要**
自监督点云补全方法因减少了对完整真实标注的依赖而受到越来越多的关注。然而，我们发现了一种在现有方法中未被明确量化或解决的系统性限制：预测偏差（ Prediction Drift, PD）。PD指的是预测点系统性地偏离可观测输入表面的现象。我们的分析表明，PD并非偶然现象，而是一种固有的限制，其根源在于预测结果与部分观测数据之间缺乏明确的几何约束。这种偏差在自动驾驶和工业检测等对精度要求极高的应用中尤为麻烦。为了解决这个问题，我们将点云细化问题构建为一个测试时的能量最小化问题。我们提出了迭代式部分引导的几何一致性细化（Iterative Partial-guided Geometric Consistency Refinement, IPGR）框架，该框架无需训练且不依赖于特定模型。IPGR利用部分输入数据作为可靠的几何定位依据，并采用基于理论收敛保证的距离感知细化（Distance-Aware Refinement, DAR）机制。与基于学习的细化模块不同，IPGR不需要额外的训练或参数。广泛的实验表明，在合成数据集（3D-EPN、PCN）和真实世界数据集（KITTI）上，IPGR均能实现显著的性能提升。在KITTI数据集上，IPGR将几何不一致性降低了26.7%；在极端稀疏条件下（256个点），性能提升高达14.2%。其额外开销仅为每个样本0.52毫秒（帧率超过700帧/秒）。代码可在以下链接获取：https://github.com/ttt02109666-a11y/IPGR

**引言**
3D点云补全是计算机视觉和3D感知领域的重要任务，广泛应用于自动驾驶、机器人技术、增强现实和工业检测等领域。然而，由于遮挡、传感器分辨率限制以及视角约束，实际场景中捕获的点云往往是不完整的，这使得点云补全对于实现可靠的后续处理变得至关重要。近年来，基于学习的点云补全方法取得了显著进展（Qi, Su, Mo, Guibas, 2017a; Wang, Sun, Liu, Sarma, Bronstein, Solomon, 2019; Xie, Yao, Zhou, Mao, Zhang, Sun, 2020）。早期的方法主要依赖监督学习（Tang, Gong, Yi, Xie, Ma, 2022; Zhou, Cao, Chu, Zhu, Lu, Tai, Wang, 2022），这些模型通过配对的部分到完整点云数据进行训练，能够在合成数据集上实现高精度重建（Wei, Feng, Ma, Wang, Zhou, Li, 2025; Wu, Xu, Zeng, Xie, 2025）。然而，这些方法严重依赖于大规模、准确配准的完整点云标注数据，而获取这类高质量的真实世界物体标注数据极其困难且成本高昂，这大大限制了监督学习方法的泛化能力和实际应用价值。相比之下，自监督方法（Hong, Yavartanoo, Neshatavar, & Lee, 2023）和无监督方法（Gong, Liu, Xu, Wang, Tan, Zhang, Yi, Song, Xie, Ma, 2022; Zhang, Chen, Cai, Pan, Zhao, Yi, Yeo, Dai, Loy, 2021）利用重构一致性、对称性约束或跨视图一致性来学习结构先验，而无需依赖完整标注。由于对这些方法的依赖程度较低，它们在现实应用中具有更大的潜力。尽管如此，这些方法仍存在一个固有局限：大多数方法将点云补全视为一次性生成任务，仅关注预测点云内部的一致性，而未能明确建模预测结果与输入部分点云之间的几何关系——这是唯一直接可观测且可靠的几何依据。缺乏这种明确约束会导致预测点偏离可观测的几何形状，从而产生不合理的局部形状偏差，我们将其称为预测偏差（PD）。如图1所示，尽管自监督网络能够恢复全局形状，但在可观测区域，预测点与输入部分云之间仍存在严重的错位。我们将PD定义为预测点偏离真实表面的现象，这一定义基于自监督点云补全中输入部分点云是唯一直接可观测的几何证据这一事实。因此，描述偏差的最自然方式是测量预测点与可观测部分表面之间的几何偏差。由于点云是无序的且没有提供点的对应关系，我们使用平均最近邻欧几里得距离作为衡量局部几何不一致性的简单有效方法。以平面为例，基线方法的平均偏差约为0.017个单位，这对于对精度要求极高的应用来说是不可接受的。我们的实验证实，这一问题普遍存在于各种自监督方法和数据集中，表明PD是一种固有限制，而非特定模型的故障。从优化的角度来看，现有的损失函数关注预测的结构合理性，而未强制预测结果与部分观测结果之间的局部几何一致性。这种不一致性在推理时会累积成严重的几何偏差，单靠全局训练损失无法解决。

为了解决上述问题，我们从缺失几何约束的角度重新审视自监督点云补全问题，提出了迭代式部分引导的几何一致性细化（IPGR）框架。与依赖大量参数和额外训练的学习型后处理策略不同（Wang, Solomon, 2019; Yew, Lee, 2020），我们的核心思想回归到几何本质：输入的部分点云本身就是可观测区域最可靠的几何定位依据。我们将点云细化问题重新构建为一个受约束的测试时能量最小化问题，定义了一个部分一致性能量函数来量化预测结果与部分观测数据之间的几何差异。IPGR采用基于梯度下降的轻量级求解器，逐步将偏离的预测点拉回到可观测表面，同时保留主干网络学习到的全局形状先验。为了提高鲁棒性，我们提出了距离感知细化（DAR）模块，该模块根据预测点与部分输入数据之间的相对距离自适应调整更新步长，从而抑制噪声、异常值或错误最近邻匹配引起的过度校正。IPGR无需训练，不受模型限制，每个样本的成本仅为0.52毫秒（帧率超过700帧/秒）。在多个数据集、自监督模型和不同输入稀疏程度下的实验表明，IPGR的性能持续提升，在极端稀疏输入（256个点）的情况下，几何不一致性降低了高达14.2%。同时，我们提供了从优化角度出发的单调能量下降和收敛性保证。

**总结**
本研究的主要贡献如下：
1. 我们系统地描述并量化了自监督点云补全中的预测偏差（PD）现象，并将其根源归因于预测结果与可观测部分输入数据之间缺乏明确的几何约束。这种量化将定性理解转化为具有明确优化目标的可行工程问题。
2. 我们提出了IPGR，这是一种基于原理的、轻量级的替代方案，无需额外的神经网络、可训练参数或数据集特定重新训练。它将点云细化问题构建为一个测试时的能量最小化问题，利用输入部分点云作为几何定位依据来确保局部一致性，且无需任何额外训练。
3. 我们设计了具有正式收敛保证的距离感知细化（DAR）策略，将迭代细化过程建模为带有距离自适应步长的梯度下降过程，导出了收敛条件α_base < 0.5，并分析了在固定对应关系下的单调能量下降特性。我们还讨论了在变化对应关系下的行为，并提供了对应关系稳定性的实证证据。
4. 我们在多个数据集、多样化的自监督补全模型和不同的输入稀疏程度下进行了广泛实验，结果证明所提出的几何一致性框架在提升补全精度、稳定性和泛化能力方面表现出色，同时满足了实时处理的要求。

**相关工作**
本节回顾了与本研究最相关的先前研究，涵盖了监督点云补全、自监督点云补全和点云优化/配准三个方面。其目的是明确本文所要解决的研究空白，并将IPGR框架与现有方案进行对比。

**方法**
本节详细介绍了所提出的IPGR框架。首先，我们定义了预测偏差问题（第3.1节），然后介绍了基于梯度的迭代求解器（第3.2节）和距离感知细化机制（第3.3节），并提供了理论收敛性分析（第3.3节）。我们的处理流程如图2所示。点云补全的目标是从不完整的部分观测数据中恢复出完整的3D形状。给定一个输入部分点云P={pi}i=1?M?R3，目标是……

**实验**
本节提供了对IPGR的全面实验评估，包括实现细节和评估设置（第4.1节和4.2节）、在合成基准数据集（第4.3节）和真实世界数据（第4.4节）上的结果、与其他后处理方法的对比（第4.5节）、对所有核心组件和超参数的消融研究（第4.6节），以及鲁棒性分析、计算效率和统计显著性（第4.7节）。

**结论与未来工作**
本文系统地描述并量化了自监督点云补全中的预测偏差现象，这是先前未被测量的几何不一致性。PD源于预测结果与部分观测数据之间缺乏明确的几何约束。为了解决这个问题，我们提出了基于测试时能量最小化的IPGR框架，该框架将输入部分点云作为可靠的几何定位依据。

**作者贡献声明**
秦晓飞：方法论、撰写——审稿与编辑；
陶诗伟：撰写——初稿、验证、软件、方法论；
何长香：项目管理；
易安罗：调查研究；
张杰：可视化；
张学典：项目管理和监督。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文的撰写。