增强全局姿态感知与注意力机制下的旋转不变3D学习

最近的进展在旋转不变（RI）学习用于3D点云，通常用手工制作的RI特征取代原始坐标，以确保在任意旋转下的鲁棒性。然而，这些方法常常因捕获全局姿态信息的损失而受限，无法区分几何上相似但在空间上不同的结构。我们识别到这一限制源于现有RI方法中受限的感受野，导致翼尖特征坍缩，由于难以区分对称组件（例如左翼和右翼飞机翼）的不可区分局部几何而失败。为克服这一挑战，我们引入了阴影信息姿态特征（Shadow-informed Pose Feature, SiPF），该特征通过从学习的共享旋转派生的全局一致参考点（称为"阴影"）来增强局部RI描述子。此机制使模型能够在保持旋转不变性的同时保留全局姿态意识。我们进一步提出了旋转注意力卷积（Rotation-invariant Attention Convolution, RIAttnConv），这是一种注意力算子，将SiPF整合到特征聚合过程中，从而增强模型区分结构相似组件的能力。此外，我们基于单位四元数上的Bingham分布设计了基于任务自适应的阴影定位模块，动态学习构建一致阴影的最优全局旋转。广泛的实验在3D分类和部件分割基准测试上表明，我们的方法在保持旋转不变性的同时，显著优于现有RI方法，尤其在需要在任意旋转下进行细粒度空间判别的任务中表现更佳。