3DViewGraph：基于注意力无序视图图学习三维形状全局特征

通过聚合多视图信息来学习全局特征已被证明对三维形状分析有效。在深度学习模型的视图聚合中，池化已被广泛应用。然而，池化会导致视图内内容的丢失以及视图间空间关系的丢失，这限制了所学特征的判别性。我们提出 3DViewGraph 来解决此问题，其通过更有效地以注意力聚合无序视图来学习三维全局特征。具体而言，围绕形状拍摄的无序视图被视为视图图上的视图节点。3DViewGraph 首先学习一种新颖的潜在语义映射，将低级视图特征投影到由潜在语义模式张成的低维空间中有意义的潜在语义嵌入中。然后，每一对视图节点的内容与空间信息通过一种新颖的空间模式相关性进行编码，其中相关性在潜在语义模式间计算。最后，所有空间模式相关性由一种新颖注意力机制学习的注意力权重进行整合。这通过突出具有独特特征的无序视图节点并抑制具有外观模糊性的节点，进一步提升了所学特征的判别性。我们展示了 3DViewGraph 在三个大规模基准下优于最先进的方法。