L2G 自编码器：通过具有分层自注意力的局部到全局重建理解点云
计算机视觉与模式识别
2019-08-05 v1 机器学习
摘要
自编码器是通过自重建的编码和解码过程来理解点云的重要架构。当前的自编码器主要通过全局形状重建来学习全局结构，而忽略了局部结构的学习。为解决此问题，我们提出局部到全局自编码器（L2G-AE），通过局部到全局重建同时学习点云的局部和全局结构。具体而言，L2G-AE 采用编码器同时编码局部区域内多尺度的几何信息。此外，我们引入一种新颖的分层自注意力机制，在编码器的信息聚合中突出不同层级的重要点、尺度和区域。同时，L2G-AE 采用循环神经网络（RNN）作为解码器来重建局部区域内的一系列尺度，并基于此逐步重建全局点云。我们在形状分类、检索和上采样方面优于现有方法的结果表明，L2G-AE 比最先进的方法能更好地理解点云。
引用
@article{arxiv.1908.00720,
title = {L2G Auto-encoder: Understanding Point Clouds by Local-to-Global Reconstruction with Hierarchical Self-Attention},
author = {Xinhai Liu and Zhizhong Han and Xin Wen and Yu-Shen Liu and Matthias Zwicker},
journal= {arXiv preprint arXiv:1908.00720},
year = {2019}
}