APSNet：基于注意力的点云采样
计算机视觉与模式识别
2022-10-12 v1
摘要
处理大规模点云是一项具有挑战性的任务。因此，数据常被下采样至较小规模，以便更高效地存储、传输和处理，且不会造成显著的性能下降。 farthest point sampling (FPS) 等传统任务无关采样方法在采样点云时不考虑下游任务，因而常采样出对任务无信息的点。本文探索了一种面向三维点云的任务导向采样，旨在采样出专门适配感兴趣下游任务的点的子集。与 FPS 类似，我们假设待采样的下一个点应高度依赖于已采样的点。因此我们将点云采样表述为一个序列生成过程，并提出了一种基于注意力的点云采样网络（APSNet）来解决该问题。在每一个时间步，APSNet 利用先前已采样点的历史关注云中所有点，并采样出信息量最大的点。我们提出了 APSNet 的监督学习以及基于知识蒸馏的自监督学习。此外，研究了 APSNet 在多种采样规模上的联合训练，从而得到单个可生成任意长度样本且具备优异性能的 APSNet。大量实验表明，在包括三维点云分类、重建与配准在内的多种下游任务中，APSNet 相对于现有最优方法具有优越性能。
引用
@article{arxiv.2210.05638,
title = {APSNet: Attention Based Point Cloud Sampling},
author = {Yang Ye and Xiulong Yang and Shihao Ji},
journal= {arXiv preprint arXiv:2210.05638},
year = {2022}
}
备注
Published as a conference paper in BMVC 2022