基于图拓扑推断与滤波的3D点云深度无监督学习
计算机视觉与模式识别
2020-02-19 v2
摘要
我们提出一种带有图拓扑推断与滤波的深度自编码器，以无监督方式实现非结构化3D点云的紧凑表示。许多先前工作将3D点离散化为体素，然后使用基于栅格的方法处理和学习的3D空间信息；然而，这会导致不可避免离散化误差。本工作中，我们处理原始3D点而不做此种妥协。所提网络遵循自编码器框架，重点在于解码器设计。编码器采用与PointNet类似的架构。解码器包含三个新颖模块：折叠模块将规范2D栅格折叠为3D点云的潜在表面，实现粗重建；图拓扑推断模块学习图拓扑以表示3D点间成对关系，推动潜码保留3D点云中点的坐标与成对关系；图滤波模块耦合上述两模块，通过习得的图拓扑细化粗重建以获得最终重建。所提解码器利用可学习图拓扑推动码字保留代表性特征并进一步提升无监督学习性能。我们进一步对所提架构给出理论分析。实验中，我们在三项任务上验证所提网络，包括3D点云重建、可视化与迁移分类。实验结果表明：(1)所提网络在各项任务中优于SOTA方法；(2)图拓扑可作为辅助信息被推断，无需针对图拓扑推断的特定监督；(3)图滤波细化重建，带来更好性能。
引用
@article{arxiv.1905.04571,
title = {Deep Unsupervised Learning of 3D Point Clouds via Graph Topology Inference and Filtering},
author = {Siheng Chen and Chaojing Duan and Yaoqing Yang and Duanshun Li and Chen Feng and Dong Tian},
journal= {arXiv preprint arXiv:1905.04571},
year = {2020}
}
备注
To appear in IEEE Transactions on Image Processing