3D点云中局部SE(3)等变连续群卷积的高效实现
计算机视觉与模式识别
2025-02-12 v1
摘要
将卷积神经网络的平移等变性质扩展到更大的对称群已被证明可减少样本复杂度并实现更具辨别力的特征学习。进一步，利用额外的对称性比标准卷积更大范围的权重共享，导致在参数数量不增加的情况下增强网络的表达能力。然而，卷积层的等变性扩展会带来计算成本。特别是对于3D数据，扩展等变性到SE(3)群（旋转和平移）会导致6D卷积运算，这对于较大的数据样本（如3D场景扫描）来说不可行。虽然已有努力开发出高效的SE(3)等变网络，但现有方法依赖于离散化或仅引入全局旋转等变性。这限制了其针对由多个对象组成的场景的点云的适用性。本文提出了一种基于通用群卷积和局部参考坐标系的3D点云处理的高效、连续且局部分辨SE(3)等变卷积层。我们的实验表明，该方法在多个数据集和任务上（包括对象分类和语义分割）实现了具竞争力或更好性能，同时几乎没有计算开销。
引用
@article{arxiv.2502.07505,
title = {Efficient Continuous Group Convolutions for Local SE(3) Equivariance in 3D Point Clouds},
author = {Lisa Weijler and Pedro Hermosilla},
journal= {arXiv preprint arXiv:2502.07505},
year = {2025}
}