语义掩码自编码器用于无监督点云理解

点云理解旨在从无标签数据中获取鲁棒且通用的特征表示。基于掩码点建模的方法近期在各种下游任务中展现出显著性能。这些预训练方法依赖随机掩码策略，通过恢复被破坏的点云输入来建立对点云的感知，导致自监督模型无法捕获合理的语义关系。为此，我们提出语义掩码自编码器，包含两个主要组件：原型基组件语义建模模块和组件语义增强掩码策略。具体而言，在组件语义建模模块中，我们设计了组件语义引导机制，引导一组可学习的原型捕获不同物体组件的语义。基于这些原型，我们开发了组件语义增强掩码策略，解决了随机掩码在有效覆盖完整组件结构方面的局限性。此外，我们引入组件语义增强提示调优策略，进一步利用这些原型提高预训练模型在下游任务中的性能。广泛的实验在ScanObjectNN、ModelNet40和ShapeNetPart等数据集上表明，所提方法模块有效。