E2PN：高效的 SE(3)-等变点网络
计算机视觉与模式识别
2023-06-16 v3 人工智能
机器人学
摘要
本文提出一种从三维点云学习 SE(3)-等变特征的卷积结构。它可视为核点卷积（KPConv，一种广泛用于处理点云数据的卷积形式）的等变版本。相较于现有等变网络，我们的设计简洁、轻量、快速，且易于与现有面向任务的点云学习流程集成。我们通过结合群卷积与商表示获得了这些优良特性。具体而言，我们将 SO(3) 离散为有限群以简化实现，同时使用 SO(2) 作为稳定子群来构造球面商特征场以节省计算。我们还提出一种置换层，从球面特征中恢复 SO(3) 特征，以保持区分旋转的能力。实验表明，在物体分类、位姿估计与关键点匹配等多项任务中，我们的方法取得了可比或更优的性能，同时比现有工作消耗更少内存且运行更快。所提方法可推动基于点云的真实世界等变模型的发展。
引用
@article{arxiv.2206.05398,
title = {E2PN: Efficient SE(3)-Equivariant Point Network},
author = {Minghan Zhu and Maani Ghaffari and William A. Clark and Huei Peng},
journal= {arXiv preprint arXiv:2206.05398},
year = {2023}
}
备注
CVPR 2023, 16 pages. See https://github.com/minghanz/E2PN for code