CP-Net：面向自监督点云学习的轮廓扰动重建网络
计算机视觉与模式识别
2022-03-29 v2
摘要
自监督学习在点云分析中尚未得到充分探索。现有框架主要基于点云重建。在仅给定三维坐标的情况下，这类方法往往学习局部几何结构与轮廓，却无法理解高层语义内容，导致在分类、分割等下游任务中表现不佳。为弥补这一不足，我们提出一种通用的轮廓扰动重建网络（CP-Net），可有效引导自监督重建学习点云中的语义内容，从而提升点云表示的判别力。首先，我们引入一个简洁的轮廓扰动增强模块用于点云重建。在几何解耦的引导下，我们将点云划分为轮廓分量与内容分量，随后扰动轮廓分量并保留内容分量。由此，自监督信号可通过从扰动后的点云重建原始点云，有效聚焦于语义内容。其次，我们将该扰动重建作为辅助分支，通过一种独特的双分支一致性损失引导基础重建分支的学习。如此，我们的 CP-Net 不仅捕获结构轮廓，还学习语义内容以服务于判别性下游任务。最后，我们在多个点云基准上进行了充分实验。部件分割结果表明，我们的 CP-Net（mIoU 为 81.5%）优于此前的自监督模型，并缩小了与全监督方法的差距。在分类上，我们在 ModelNet40（准确率 92.5%）和 ScanObjectNN（准确率 87.9%）上取得了与全监督方法相当的结果。代码与模型将随后发布。
引用
@article{arxiv.2201.08215,
title = {CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning},
author = {Mingye Xu and Yali Wang and Zhipeng Zhou and Hongbin Xu and Yu Qiao},
journal= {arXiv preprint arXiv:2201.08215},
year = {2022}
}