基于几何感知隐式表示的点云域适应方法
计算机视觉与模式识别
2023-08-16 v1
摘要
作为一种流行的几何表示，点云在三维视觉中引起了广泛关注，并催生了自动驾驶与机器人等领域的诸多应用。点云学习中的一个重要但未解决的问题是：若使用不同流程生成或不同传感器捕获，同一物体的点云可能存在显著的几何差异。这些不一致性导致了域间隙，使得在一个域上训练的神经网络可能无法泛化到其他域。减少域间隙的一种典型技术是对抗训练，以使特征空间中的点云能够对齐。然而，对抗训练容易陷入退化的局部极小值，导致负的适应收益。本文中，我们提出了一种简单而有效的无监督点云域适应方法，通过采用学习几何感知隐式表示的自我监督任务，一举发挥两个关键作用。首先，点云中的几何信息通过隐式表示得以保留，以用于下游任务。更重要的是，域特定的差异能够在隐式空间中得到有效消除。由于实践中缺乏形状模型，我们还提出了一种对任意点云计算无符号距离场的自适应策略。当与任务损失结合时，所提方法优于依赖对抗域对齐和更复杂自我监督任务的最先进无监督域适应方法。我们的方法在 PointDA-10 和 GraspNet 数据集上进行了评估。代码与训练好的模型将公开可用。
引用
@article{arxiv.2112.09343,
title = {Domain Adaptation on Point Clouds via Geometry-Aware Implicits},
author = {Yuefan Shen and Yanchao Yang and Mi Yan and He Wang and Youyi Zheng and Leonidas Guibas},
journal= {arXiv preprint arXiv:2112.09343},
year = {2023}
}