HFBRI-MAE：基于手工特征的旋转不变遮盖自编码器用于3D点云分析
计算机视觉与模式识别
2025-04-22 v1
摘要
自监督学习（SSL）在3D点云分析中取得了显著成功，尤其是通过遮盖自编码器（MAE）。然而，现有MAE方法缺乏旋转不变性，导致在处理现实场景中任意旋转的点云时性能显著下降。为此，本文引入 Handcrafted Feature-Based Rotation-Invariant Masked Autoencoder（HFBRI-MAE），一种新型框架，通过融合旋转不变手工特征来细化MAE设计，以确保跨不同姿态下的稳定特征学习。通过利用旋转不变的局部和全局特征进行 token 嵌入和位置嵌入，HFBRI-MAE 有效消除旋转依赖，同时保留丰富的几何结构。此外，我们重新定义重建目标为输入的规范对齐版本，从而缓解旋转歧义。在 ModelNet40、ScanObjectNN 和 ShapeNetPart 上的大量实验表明，HFBRI-MAE 在对象分类、分割和few-shot学习中一致优于现有方法，凸显其在实际3D应用中的鲁棒性和强泛化能力。
引用
@article{arxiv.2504.14132,
title = {HFBRI-MAE: Handcrafted Feature Based Rotation-Invariant Masked Autoencoder for 3D Point Cloud Analysis},
author = {Xuanhua Yin and Dingxin Zhang and Jianhui Yu and Weidong Cai},
journal= {arXiv preprint arXiv:2504.14132},
year = {2025}
}
备注
12 pages, 9 figures, accepted by IJCNN 2025