APML: 用于鲁棒3D点云重建的自适应概率匹配损失

训练用于点云预测任务（如形状补全和生成）的深度学习模型严重依赖于衡量预测点集与真实点集之间差异的损失函数。常用函数如Chamfer Distance (CD)、HyperCD和InfoCD依赖最近邻分配，常导致多对一对应，在密集区域产生点堆积，在稀疏区域覆盖不足。这些损失还涉及因索引选择导致的不可微操作，可能影响基于梯度的优化。Earth Mover Distance (EMD)强制一对一对应并更有效地捕捉结构相似性，但其立方计算复杂度限制了实际应用。我们提出自适应概率匹配损失(APML)，一种基于成对距离导出的温度缩放相似性矩阵上Sinkhorn迭代的一对一匹配完全可微近似。我们解析地计算温度以保证最小分配概率，消除了手动调参。APML实现了接近二次的运行时间，与基于Chamfer的损失相当，并避免了不可微操作。当将其集成到最先进的架构（PoinTr、PCN、FoldingNet）的ShapeNet基准测试以及从WiFi CSI测量生成3D人体点云的时空Transformer(CSI2PC)时，APML损失实现了更快的收敛、更优的空间分布（尤其在低密度区域），以及改进或相当的定量性能，无需额外超参数搜索。代码可在以下地址获取：https://github.com/apm-loss/apml。