用于无监督非刚性点云形状对应的等变局部参考系
计算机视觉与模式识别
2024-04-02 v1
摘要
无监督非刚性点云形状对应是许多 3D 视觉任务的基础，然而由于点间自由度（即姿态变换）带来的指数级复杂性，其本身并非易事。基于局部刚性假设，降低复杂性的一种解决方案是使用对 SE(3) 变换不变的局部参考系（Local Reference Frames, LRFs）将整体形状分解为独立的局部区域。然而，仅关注局部结构忽略了全局几何上下文，导致 LRFs 缺乏区分度，缺少有效匹配所需的关键语义信息。此外，这种复杂性在推理期间会引入分布外几何上下文，从而使泛化复杂化。为此，我们引入了 1) EquiShape，一种为学习具有全局结构线索的成对 LRFs 而量身定制的新型结构，以实现空间和语义上的一致性；以及 2) LRF-Refine，一种普遍适用于基于 LRF 的方法的优化策略，旨在解决泛化挑战。具体而言，对于 EquiShape，我们在独立的等变图神经网络（Cross-GVP）内采用交叉干扰来建立长程依赖，以弥补局部结构建模中语义信息的缺失，为每个点推导出成对独立的 SE(3)-等变 LRF 向量。对于 LRF-Refine，该优化在特定上下文和知识内调整 LRFs，增强了点特征的几何和语义泛化能力。我们的整体框架在三个基准上大幅超越了 SOTA 方法。代码和模型将公开发布。
引用
@article{arxiv.2404.00959,
title = {Equivariant Local Reference Frames for Unsupervised Non-rigid Point Cloud Shape Correspondence},
author = {Ling Wang and Runfa Chen and Yikai Wang and Fuchun Sun and Xinzhou Wang and Sun Kai and Guangyuan Fu and Jianwei Zhang and Wenbing Huang},
journal= {arXiv preprint arXiv:2404.00959},
year = {2024}
}