FoldingNet：通过深度网格形变的点云自编码器
计算机视觉与模式识别
2018-04-04 v2
摘要
近期直接处理点集中点的深度网络（如 PointNet）在点云分类与分割等监督学习任务上处于最先进水平。本工作中，我们提出一种新颖的端到端深度自编码器，以解决点云上的无监督学习难题。在编码器侧，我们在 PointNet 之上施加基于图的增强以强化局部结构。随后，一种新颖的基于形变的译码器将规范二维网格形变为点云底层的三维物体表面，即便对具有精细结构的物体也能实现低重建误差。所提译码器仅使用全连接神经网络译码器约 7% 的参数，却带来了更具判别性的表示，其线性 SVM 分类精度高于基准。此外，理论上表明所提译码器结构是一种通用架构，能够从二维网格重建任意点云。我们的代码见 http://www.merl.com/research/license#FoldingNet
引用
@article{arxiv.1712.07262,
title = {FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation},
author = {Yaoqing Yang and Chen Feng and Yiru Shen and Dong Tian},
journal= {arXiv preprint arXiv:1712.07262},
year = {2018}
}
备注
Accepted as a spotlight paper in CVPR'18