基于邻域均匀约束的通道级关系到注意力聚合，用于点云分析
计算机视觉与模式识别
2026-05-11 v2
摘要
在 3D 点云理解中，核心挑战在于准确捕获复杂邻域内的判别特征，这直接影响到具身 AI 与自动驾驶等下游任务的执行精度。现有方法探索特征相关性判别，但仅限于点级空间分布或通道响应，只能实现粗粒度评估。对于现代多尺度点云网络而言，这种粗粒度指标不可避免地在深层导致显著信息损失。为此，我们提出 PointCRA，一个基于通道级指标的增强机制。我们的核心思想是引入时间趋势变化作为新的评估维度，以避免现有空间与通道注意力机制中权重维度坍缩导致的信息损失。基于此，我们构建以邻域均匀性为指导的多层校准框架，并设计专用损失函数以增强通道判别性。PointCRA 利用内在特征先验自适应校正特征聚合，具有可解释性且参数开销低。该方法可迁移、可解释且高效。我们在多样数据集和基准模型上验证了所提方法，并通过大量分析实验进一步证明其合理性。我们的 PointCRA 在 S3DIS 数据集上实现 77.5% mIoU，在 ScanObjectNN 数据集上实现 90.4% OA，在 ShapeNetPart 数据集上实现 87.4% 实例 mIoU。代码与预训练权重已公开于 GitHub: https://github.com/AGENT9717/PointCRA。
引用
@article{arxiv.2605.02357,
title = {Channel-Level Relation to Attentive Aggregation with Neighborhood-Homogeneity Constraint for Point Cloud Analysis},
author = {Jiaqi Shi and Jin Xiao and Xiaoguang Hu and Wenxuan Ji and Zichong Jia and Zifan Long and Tianyou Chen and Baochang Zhang},
journal= {arXiv preprint arXiv:2605.02357},
year = {2026}
}