用于点云自监督表示学习的隐式自编码器
计算机视觉与模式识别
2023-08-29 v5
摘要
本文倡导在基于自编码器的自监督 3D 表示学习中使用隐式曲面表示。最流行且易获取的三维表示，即点云，涉及底层连续 3D 表面的离散采样。该离散化过程在 3D 形状上引入了采样变化，使得难以发展关于真实 3D 几何的可迁移知识。在标准自编码范式下，编码器被迫将 3D 几何信息以及关于 3D 形状特定离散采样的信息一并编码至潜码中。这是因为除非原始点云与重建点云之间存在完美映射，否则解码器重建的点云被视为不可接受。本文提出隐式自编码器（IAE），一种简单而有效的方法，通过以隐式解码器替换常用的点云解码器来解决采样变化问题。该隐式解码器重建 3D 形状的连续表示，不受离散样本缺陷的影响。大量实验表明，所提 IAE 在各种自监督学习基准上取得了最先进的性能。
引用
@article{arxiv.2201.00785,
title = {Implicit Autoencoder for Point-Cloud Self-Supervised Representation Learning},
author = {Siming Yan and Zhenpei Yang and Haoxiang Li and Chen Song and Li Guan and Hao Kang and Gang Hua and Qixing Huang},
journal= {arXiv preprint arXiv:2201.00785},
year = {2023}
}
备注
Published in ICCV 2023. The code is available at https://github.com/SimingYan/IAE