一种面向近似排序点云数据的可调最远点采样方法
计算机视觉与模式识别
2022-08-19 v1 信号处理
摘要
采样是原始点云数据处理(如流行的 PointNet++ 方案)的重要组成部分。最远点采样(FPS)通过迭代采样最远点并执行距离更新,是最流行的采样方案之一。遗憾的是其效率低下,可能成为点云应用的瓶颈。我们提出由参数 M 调节的可调 FPS(AFPS),在不损害采样性能的前提下大幅降低 FPS 复杂度。具体而言,它将原始点云划分为 M 个小点云并同时采样 M 个点。它利用近似排序点云数据的维度局部性以最小化性能退化。AFPS 方法相较原始 FPS 可实现 22 至 30 倍加速。此外,我们提出最近点距离更新(NPDU)方法将距离更新次数限制为常数。在 AFPS 上结合 NPDU 的方法,在 2K–32K 点的点云上可实现 34–280 倍加速,且算法性能可与原始 FPS 媲美。例如,在 ShapeNet 部件分割任务中,其达到 0.8490 实例平均 mIoU(平均交并比),相较原始 FPS 仅下降 0.0035。
引用
@article{arxiv.2208.08795,
title = {An Adjustable Farthest Point Sampling Method for Approximately-sorted Point Cloud Data},
author = {Jingtao Li and Jian Zhou and Yan Xiong and Xing Chen and Chaitali Chakrabarti},
journal= {arXiv preprint arXiv:2208.08795},
year = {2022}
}
备注
Accepted by SIPS'22