基于轻量自注意力的分层点云编解码模型
计算机视觉与模式识别
2022-03-16 v1
摘要
本文提出 SA-CNN，一种用于点云数据表示学习的分层、轻量自注意力编解码架构。所提 SA-CNN 引入卷积与转置卷积栈，以捕获并生成无序 3D 点间的上下文信息。遵循常规分层流程，编码过程以局部到全局方式提取特征，而解码过程以由粗到细的多分辨率阶段生成特征与点云。我们展示了 SA-CNN 在分类、部件分割、重建、形状检索与无监督分类等广泛应用中的能力。在取得基准上 SOTA 或可比性能的同时，SA-CNN 的模型复杂度比其他模型低数个数量级。在定性结果方面，我们可视化了刚体物体及可变形非刚体人与机器人模型上的多阶段点云重建与潜空间漫游。
引用
@article{arxiv.2202.06407,
title = {Hierarchical Point Cloud Encoding and Decoding with Lightweight Self-Attention based Model},
author = {En Yen Puang and Hao Zhang and Hongyuan Zhu and Wei Jing},
journal= {arXiv preprint arXiv:2202.06407},
year = {2022}
}
备注
Accepted by RA-Letters and ICRA 2022