基于坐标的卷积核学习：用于连续 SE(3) 不变且高效的点云分析
计算机视觉与模式识别
2026-03-19 v1 人工智能
摘要
刚性运动的对称性是高效学习三维点云问题的关键因素之一。群卷积是一种代表性方法，用于提取不变特征，但其实现方式在保持严格对称性和可扩展性之间存在困难。我们倡议利用内核框架来解决这一权衡，但该领域的前期工作要么未实现完全的 SE(3) 对称性，要么无法扩展到大规模问题，因而需要更先进的核结构。我们提出了等价坐标基核卷积（Equivariant Coordinate-based Kernel Convolution，ECKConv）。它从定义在双余弦空间中的核域中获得 SE(3) 不变性，其基于坐标的网络显式核设计提高了学习能力和内存效率。在多样化的点云任务上进行的实验，例如分类、姿态配准、部件分割和大规模语义分割，验证了ECKConv 在刚性等变性、内存可扩展性和卓越性能方面优于当前最先进的等变方法。
引用
@article{arxiv.2603.17538,
title = {Learning Coordinate-based Convolutional Kernels for Continuous SE(3) Equivariant and Efficient Point Cloud Analysis},
author = {Jaein Kim and Hee Bin Yoo and Dong-Sig Han and Byoung-Tak Zhang},
journal= {arXiv preprint arXiv:2603.17538},
year = {2026}
}
备注
Accepted at CVPR 2026