FILTR：从预训练 3D 模型中提取拓扑特征
计算机视觉与模式识别
2026-04-30 v3
摘要
近期，预训练 3D 点云编码器（如 Point-BERT、Point-MAE）已产生强大的模型，其能力通常在几何或语义任务上进行评估。与此同时，拓扑描述符已被证明能提供形状多尺度结构的有信息摘要。本文我们提出问题：能否从由 3D 编码器产生的特征中推导出拓扑信息？为此，我们首先引入 DONUT，一个具有受控拓扑复杂度的合成基准，并提出 FILTR（Filtration Transformer），一个用于从冻结的编码器直接预测持久图的 learnable 框架。FILTR 将 diagram 生成视为 set prediction 任务，适配 transformer 解码器。我们在 DONUT 上的分析揭示，现有编码器仅保留有限的全局拓扑信号，但 FILTR 成功地利用这些编码器产生的信息来近似持久图。我们的方法首次通过高效可学习的前馈机制，从原始点云中数据驱动地提取持久图。
关键词
引用
@article{arxiv.2604.22334,
title = {FILTR: Extracting Topological Features from Pretrained 3D Models},
author = {Louis Martinez and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2604.22334},
year = {2026}
}
备注
Project page: https://filtr-topology.github.io/