ASSANet：一种用于高效点云表征学习的各向异性可分离集抽象

嵌入各类移动设备中的 LiDAR 传感器广泛促进了三维点云表征的获取。这导致了对快速且准确的点云处理技术的新兴需求。本文中，我们重访并深入探究了最具影响力却研究不足的 PointNet++ 网络之一，并开发了更快且更精确的模型变体。我们首先提出一种新颖的可分离集抽象（SA）模块，将 PointNet++ 中使用的 vanilla SA 模块解耦为两个独立学习阶段：（1）学习通道相关性；（2）学习空间相关性。可分离 SA 模块比 vanilla 版本显著更快，却取得相当性能。随后我们在可分离 SA 模块中引入新的各向异性约简函数，并提出各向异性可分离 SA（ASSA）模块，大幅提升了网络精度。我们随后将 PointNet++ 中的 vanilla SA 模块替换为所提 ASSA 模块，并将改进网络记为 ASSANet。在点云分类、语义分割与部件分割上的大量实验表明，ASSANet 优于 PointNet++ 及其他方法，取得了更高精度与更快速度。特别地，ASSANet 在 S3DIS Area 5 上以 $7.4$ mIoU 优于 PointNet++，同时在单块 NVIDIA 2080Ti GPU 上保持 $1.6 \times$ 更快的推理速度。我们缩放的 ASSANet 变体取得了 $66.8$ mIoU，优于 KPConv，同时快逾 $54 \times$。