DeltaConv：面向点云几何深度学习的各向异性算子
计算机视觉与模式识别
2022-05-16 v5
摘要
受深度学习在图像上成功的推动以及 3D 数据可用性的增加，从 3D 点云数据中学习迅速获得关注。本文旨在构造直接作用于点云所导出表面的各向异性卷积层。由于表面上切向方向缺乏全局坐标系，这是具有挑战性的。我们引入 DeltaConv，一种结合向量微积分中几何算子的卷积层，以在点云上实现各向异性滤波器的构造。由于这些算子定义于标量与向量场，我们将网络分为标量流与向量流，二者由算子连接。向量流使网络能显式表示、评估并处理方向信息。我们的卷积鲁棒且易于实现，在多个基准上匹配或优于当前最优方法，同时加速训练与推理。
引用
@article{arxiv.2111.08799,
title = {DeltaConv: Anisotropic Operators for Geometric Deep Learning on Point Clouds},
author = {Ruben Wiersma and Ahmad Nasikun and Elmar Eisemann and Klaus Hildebrandt},
journal= {arXiv preprint arXiv:2111.08799},
year = {2022}
}
备注
8 pages, 5 figures, 7 tables; ACM Transactions on Graphics 41, 4, Article 105 (SIGGRAPH 2022)