AS-PD：一种任意尺寸点云下采样框架
计算机视觉与模式识别
2023-01-11 v2 图形学
摘要
点云下采样是一种关键的预处理操作，用于下采样点以统一数据尺寸并降低计算成本等。近期关于点云下采样的研究取得了巨大成功，集中于以任务感知方式进行学习采样。然而，现有的可学习采样器无法直接执行任意尺寸下采样，且假定输入尺寸固定。本文中，我们引入 AS-PD，一种新颖的任务感知采样框架，基于由粗到精的采样策略直接将任意尺寸的点云下采样到任意更小的尺寸。给定任意尺寸的输入点云，我们首先对输入点云执行任务无关预采样至指定样本尺寸。然后，我们通过下游任务损失驱动，对预采样集进行细化使其任务感知，从而获得采样集。细化通过对每个预采样点加上由逐点多层感知机（MLP）预测的小偏移来实现。借助密度编码和适当的训练方案，该框架可学习自适应地将不同输入尺寸的点云下采样到任意样本尺寸。我们分别对分类和配准任务的采样结果进行了评估。所提出的 AS-PD 在下游性能上超越了最先进的方法。进一步的实验还表明，我们的 AS-PD 对未见任务模型展现出更好的泛化性，这意味着所提出的采样器是针对任务而非特定任务模型进行优化的。
引用
@article{arxiv.2211.01110,
title = {AS-PD: An Arbitrary-Size Downsampling Framework for Point Clouds},
author = {Peng Zhang and Ruoyin Xie and Jinsheng Sun and Weiqing Li and Zhiyong Su},
journal= {arXiv preprint arXiv:2211.01110},
year = {2023}
}