基于贡献的点云简化采样网络CS-Net
计算机视觉与模式识别
2025-02-27 v1
摘要
点云采样在降低各种视觉任务的计算成本和存储需求方面发挥着关键作用。传统采样方法，如最远点采样，缺乏任务特定信息，无法保证在特定应用中获得最佳性能。基于学习的方法训练网络以针对目标下游任务进行采样，但无法保证所采样点是最相关的。此外，这些方法可能导致采样点的重复，需要通过后处理技术完成所采样点云的补全。为解决这些限制，我们提出了基于贡献的采样网络（CS-Net），其中将采样操作形式化为Top-k操作。为确保网络能够使用梯度下降算法进行端到端训练，我们通过对最优传输问题的熵正则化，对Top-k操作进行可微分近似。网络由特征嵌入模块、级联注意力模块和贡献评分模块组成。特征嵌入模块包括设计以减少参数同时保留重要特征的特定空间池化层。级联注意力模块将三个跳过连接偏移注意力层的输出组合，以强调有吸引力的特征并抑制不重要的特征。贡献评分模块为每个点生成贡献得分，并引导采样过程优先选择最重要的点。在ModelNet40和PU147上的实验表明，CS-Net在两个基于语义的下游任务（分类和配准）和两个基于重建的任务（压缩和曲面重建）上实现了领先的性能。
引用
@article{arxiv.2501.10789,
title = {CS-Net:Contribution-based Sampling Network for Point Cloud Simplification},
author = {Tian Guo and Chen Chen and Hui Yuan and Xiaolong Mao and Raouf Hamzaoui and Junhui Hou},
journal= {arXiv preprint arXiv:2501.10789},
year = {2025}
}