基于几何感知对抗增强的三维点云补全
计算机视觉与模式识别
2023-01-24 v1
摘要
随着3D传感器在自动驾驶和其他机器人应用中的普及，大量研究集中于设计新颖的神经网络架构以实现精确的三维点云补全。然而，与点云分类和重建不同，对抗样本在三维点云补全中的作用很少被探索。在这项工作中，我们表明使用对抗样本进行训练可以提高神经网络在三维点云补全任务上的性能。我们提出了一种生成对抗样本的新方法，该方法同时有益于干净样本和对抗样本的性能。与PGD-k攻击不同，我们的方法生成的对抗样本保留了干净样本中的几何特征且包含极少离群点。具体而言，我们使用主方向来约束每个输入点的对抗扰动。主方向平均方向上的梯度分量被用作对抗扰动。此外，我们还研究了使用最小曲率方向的效果。另外，我们采用攻击强度累积和辅助批量归一化层方法来加速训练过程并缓解干净样本与对抗样本之间的分布失配。实验结果表明，使用我们方法生成的对抗样本进行训练有效提升了PCN在ShapeNet数据集上的性能。
引用
@article{arxiv.2109.10161,
title = {3D Point Cloud Completion with Geometric-Aware Adversarial Augmentation},
author = {Mengxi Wu and Hao Huang and Yi Fang},
journal= {arXiv preprint arXiv:2109.10161},
year = {2023}
}
备注
11 page, 5 figures