用于旋转不变点云分析的局部一致变换学习
计算机视觉与模式识别
2024-03-19 v1
摘要
旋转不变性是点形状分析的一项重要要求。为了实现这一点，当前最先进的方法试图通过学习或定义局部参考系（LRF）来构建局部旋转不变表示。尽管有效，这些基于 LRF 的方法会受到局部几何关系扰动的影响，导致局部旋转不变性次优。为了缓解这一问题，我们提出了一种局部一致变换学习策略。具体而言，我们首先通过考虑 LRF 中两轴的对称性来构建局部一致参考系（LCRF）。与以往的 LRF 相比，我们的 LCRF 能够通过执行局部一致变换更好地保留局部几何关系。然而，由于一致性仅存在于局部区域，相对姿态信息仍会在网络的中间层中丢失。我们通过开发相对姿态恢复（RPR）模块来缓解这种相对姿态问题。RPR 旨在恢复相邻变换块之间的相对姿态。配备了 LCRF 和 RPR，我们的 LocoTrans 能够学习局部一致变换并保留局部几何，这有利于旋转不变性学习。在形状分类和部件分割任务上的任意旋转下均表现出竞争力，且消融实验证明了我们方法的有效性。代码将在 https://github.com/wdttt/LocoTrans 公开。
引用
@article{arxiv.2403.11113,
title = {Local-consistent Transformation Learning for Rotation-invariant Point Cloud Analysis},
author = {Yiyang Chen and Lunhao Duan and Shanshan Zhao and Changxing Ding and Dacheng Tao},
journal= {arXiv preprint arXiv:2403.11113},
year = {2024}
}
备注
Accepted by CVPR 2024