FA-KPConv：通过帧平均引入欧几里得对称性到KPConv

我们提出了Frame-Averaging Kernel-Point Convolution（FA-KPConv），这是一种构建在著名KPConv 之上的神经网络架构，KPConv 是3D 点云分析中广泛采用的 backbone。尽管对欧几里得变换的不变性和/或等价性是许多常见任务所要求的，但KPConv 基于的网络在在大型数据集上训练或进行显著数据增强时，只能近似实现此类属性。通过 Frame Averaging，我们允许对使用KPConv 层构建的点云神经网络进行灵活的自定义，使其对输入点云的平移、旋转和/或反射恰好实现不变性和/或等价性。仅通过对现有KPConv 基于网络进行包装，FA-KPConv 将几何先验知识嵌入其中，同时保持可学习参数的数量不变，也不损害任何输入信息。我们展示了这种引入的偏置对点云分类和点云配准的益处，尤其是在训练数据稀少或测试数据随机旋转等具挑战性的情况下。