通过自监督几何增强桥接点云表示的域间差距

语义点云分析的最新进展主要由合成数据（如ModelNet和ShapeNet）驱动，这些数据通常完整、对齐且无噪声。因此，这些理想合成点云在几何视角上的表示变异有限，可在诸多3D视觉任务（如点云分类）上获得良好性能。在无监督域适应（UDA）语境下，针对合成点云设计的表示学习几乎无法从不完整和噪声点云中捕获域无关的几何模式。为此，我们引入一种通过正则化表示学习以两项自监督几何增强任务实现点云表示跨域几何不变性的新方案。一方面，提出一种预测增强样本平移距离的新型预热任务，以缓解点云因遮挡和噪声导致的质心偏移。另一方面，我们首次以级联方式整合几何增强点云上的关系自监督学习，利用增强变体与其他样本之间的内在关系作为跨域几何特征的额外约束。在PointDA-10数据集上的实验表明，所提出的方法有效，实现了最先进的性能。