双分支中心-周围对比：重新审视 3D 点云的对比学习
计算机视觉与模式识别
2025-12-10 v1
摘要
大多数现有的 3D 点云自监督学习（SSL）方法都以基于掩码自编码器（MAE）的生成方法为主导。然而，这些生成方法已被证明难以有效捕捉高层判别性特征，导致在线性探测和其他下游任务上的性能不佳。相比之下，对比方法在图像数据的判别性特征表示和泛化能力方面表现出色。尽管如此，3D 数据中的对比学习（CL）仍然稀缺。此外，简单地将为 2D 数据设计的 CL 方法应用于 3D 无法有效学习 3D 局部细节。为应对这些挑战，我们提出了一种新颖的双分支 \textbf{C}enter-\textbf{S}urrounding \textbf{Con}trast（CSCon）框架。具体而言，我们分别对中心部分和周围部分进行掩码处理，构建具有中心偏置和周围偏置表示的双分支输入，以更好地捕捉丰富的几何信息。同时，我们引入了一种块级对比损失，以进一步增强高层信息和局部敏感性。在 FULL 和 ALL 协议下，CSCon 取得了与生成方法相当的性能；在 MLP-LINEAR、MLP-3 和 ONLY-NEW 协议下，我们的方法达到了最先进的结果，甚至超越了跨模态方法。特别地，在 MLP-LINEAR 协议下，我们的方法在 ScanObjectNN 的三个变体上分别比基线（Point-MAE）高出 \textbf{7.9\%}、\textbf{6.7\%} 和 \textbf{10.3\%}。代码将公开发布。
引用
@article{arxiv.2512.08673,
title = {Dual-Branch Center-Surrounding Contrast: Rethinking Contrastive Learning for 3D Point Clouds},
author = {Shaofeng Zhang and Xuanqi Chen and Xiangdong Zhang and Sitong Wu and Junchi Yan},
journal= {arXiv preprint arXiv:2512.08673},
year = {2025}
}
备注
16 pages, 6 figures