面向点云分析的自适应边到边交互学习

近年来，深度学习在各种点云分析任务（如分类与语义分割）上取得了巨大成功。由于点云数据稀疏且分布不规则，点云数据处理的一个关键问题是从局部区域提取有用信息。为此，以往工作主要通过学习每对相邻点之间的关系从局部区域提取点特征。然而，这些工作忽略了局部区域内边之间的关系，而该关系编码了局部形状信息。关联相邻边有可能使点对关系对局部结构更具感知力且更鲁棒。为探究边之间关系的作用，本文提出一种新颖的自适应边到边交互学习模块，旨在通过自适应地建模局部区域内的边到边交互来增强点对关系。我们进一步将该模块扩展为对称版本，以更充分地捕捉局部结构。利用所提模块，我们分别开发了用于分割与形状分类任务的两个网络。在多个公开点云数据集上的大量实验证明了我们的方法在点云分析中的有效性。