用于三维点云理解的全局上下文感知卷积

得益于将卷积算子引入神经网络以直接处理三维点云，深度学习在三维点云场景理解任务中取得了重大进展。然而，点云数据可能具有任意旋转，尤其是那些通过三维扫描获取的数据。近期工作表明，设计具有旋转不变性的点云卷积是可能的，但此类方法通常表现不如仅具平移不变性的卷积。我们发现一个关键原因是，与点的坐标相比，点云卷积所消费的旋转不变特征不够具区分性。为解决此问题，我们提出了一种新颖的卷积算子，通过将从输入点云中整合全局上下文信息来增强特征区分性。为此，在每个点的邻域内构建全局加权的局部参考系，并将局部点集分解为多个箱（bin）。在每个箱中生成锚点以表示全局形状特征。随后可执行卷积，将点和锚点特征转换为最终的旋转不变特征。我们在点云分类、部件分割、形状检索和法线估计上进行了若干实验来评估我们的卷积，其在具有挑战性的旋转下达到了最先进的精度。