GPr-Net：面向点云少样本学习的几何原型网络

在三维计算机视觉应用中，点云少样本学习起着关键作用。然而，由于数据的稀疏性、不规则性与无序性，其构成艰巨挑战。当前方法依赖复杂的局部几何提取技术（如卷积、图与注意力机制）以及大量的数据驱动预训练任务。这些做法与少样本学习旨在促进高效学习的根本目标相悖。为解决此问题，我们提出GPr-Net（Geometric Prototypical Network，几何原型网络），一种轻量且计算高效的几何原型网络，可捕获点云的内在拓扑并取得优越性能。我们提出的方法IGI++（Intrinsic Geometry Interpreter++，内在几何解释器++）采用基于向量的手工设计内在几何解释器与Laplace向量来提取并评估点云形态，从而改进少样本学习（FSL）的表示。此外，Laplace向量能够从点数更少的点云中提取有价值特征。为应对少样本度量学习中的分布漂移挑战，我们利用双曲空间，并证明相较现有点云少样本学习方法，我们的方法能更好地处理类内与类间方差。在ModelNet40数据集上的实验结果表明，GPr-Net在点云少样本学习上优于现有最优方法，实现了比所有已有工作高$170\times$的极高计算效率。代码已公开于 https://github.com/TejasAnvekar/GPr-Net。