ZVeC：用于实例级车辆提取和生成点云完成的零镜头框架

由于遮挡和有限的传感器视点，在地下环境中获取的 LiDAR 点云表现出严重的几何不完整性，这使得在没有大型监督数据集的情况下可靠的点云完成具有挑战性。我们提出了 ZVeC，一种零样本、实例驱动的框架，它将场景级完成重新表述为组合对象级重建。通过将场景分解为语义对象实例，ZVeC 减少了杂乱环境中的重建模糊性，同时消除了针对特定场景的训练的需要。每个分段车辆均使用深度和 3D 高斯条件扩散模型独立完成，该模型在将重建实例重新组合到原始场景之前利用广义几何先验。为了评估我们的方法，我们构建了现实世界的地下停车环境密集 LiDAR 基准。实验结果表明，在定量指标和视觉质量方面均优于代表性场景级基线。完成的点云与测量的输入有很大不同（平均 KL 散度 ~ 2.1），但将输入减少到原始 LiDAR 测量值的 1% 仅会轻微改变完成的重建（KL 散度 < 0.50）。这表明即使在极端输入稀疏的情况下，ZVeC 也能产生几何一致的完成结果。