AVS-Net：用于 3D 场景理解的自适应体素大小点采样

点云学习的最新进展使智能车辆和机器人能够更好地理解 3D 环境。然而，处理大规模 3D 场景仍然是一个具有挑战性的问题，因此高效的降采样方法在点云学习中起着至关重要的作用。现有的降采样方法要么需要巨大的计算负担，要么牺牲细粒度的几何信息。为此，本文提出了一种兼具高精度和高效率的高级采样器。所提出的方法以体素质心采样为基础，有效解决了体素大小确定和关键几何线索保留的挑战。具体而言，我们提出了一种体素自适应模块，该模块参考基于点的降采样比例自适应地调整体素大小。这确保了采样结果呈现出有利于理解各种 3D 物体或场景的分布。同时，我们引入了一种兼容任意体素大小进行采样和特征提取的网络，同时保持高效率。所提出的方法在 3D 物体检测和 3D 语义分割中得到了验证。与现有的最先进方法相比，我们的方法在 Waymo 和 ScanNet 等室外和室内大规模数据集上实现了更好的精度，并具有令人满意的效率。