[点云处理] 两篇文章：PointAtrousNet和ECG

PointAtrousNet: Point Atrous Convolution for Point Cloud Analysis
ECG: Edge-aware Point Cloud Completion with Graph Convolution
两篇文章的作者都是Liang Pan，都发表在了IEEE ROBOTICS AND AUTOMATION LETTERS上，一个是2019年，一个是2020年，这个期刊可以考虑投。

PointAtrousNet: Point Atrous Convolution for Point Cloud Analysis

tensorflow code地址:https://github.com/paul007pl/PointAtrousGraph
atrous convolution=dilated convolution，可能换成dilated更好理解点。这篇文章的主要内容是将image domain中有效果的dilated卷积应用到点云识别中，因为点云的不规则性，2DCNN是不能直接用在点云上的，要做一些适配工作。
作者提出了点云的dilated卷积模型Point Atrous Convolution，用下图表示：

左边是1D和2D上的dilated卷积，右边是作者提出的用于点云上的卷积，主要想法就是在KNN之后通过rate r r r来控制卷积的点，达到dilated的效果，在不增加参数和计算复杂度的前提下，扩大了卷积的感受野。
同时，作者提出了一个Point Atrous Spatial Pyramid Pooling，为了达到可以学习multi scale特征

原理很简单，就是把不同 r r r的特征cat起来。
最后是网络的整体结构图

作者分别在ModelNet40，ShapeNet， S3DIS上进行了实验验证。

ECG: Edge-aware Point Cloud Completion with Graph Convolution

code地址:https://github.com/paul007pl/ECG 还是空项目，没更新。
这篇文章是关于点云补全方向，提出了利用edge信息和图卷积网络对点云进行补全，ECG分为两步：skeleton generation草图生成和details refinement细节完善。两步都是encoder-decoder结构，都是先提取特征，然后生成点云，只是第一步生成一个粗犷的点云轮廓或者叫草图；第二步利用在粗点云的基础上进行细节的完善。那是如何利用edge特征的呢？
首先，生成skeleton来帮助获取edge features；然后，设计了以多层图网络来获取多尺度的edge feature，为了在upsample的时候保留局部几何特征，设计了一个edge-aware feature expansion模块。

X X X是输入的incomplete的点云，用一个encoder得到global特征 F X G F_X^G FXG​和局部特征 F X P F_X^P FXP​，然后用粗decoder得到skeleton Y c o u r s e Y_{course} Ycourse​，接着利用细decoder得到 Y f i n e Y_{fine} Yfine​