基于梯度匹配的损失蒸馏用于加权 Chamfer 距离的点云补全
计算机视觉与模式识别
2024-09-11 v1 机器学习
机器人学
摘要
3D 点云增强了机器人感知环境几何信息的能力，使得许多下游任务成为可能，例如抓取姿态检测和场景理解。然而，这些任务的性能严重依赖于输入数据的质量，因为不完整的点云可能导致糟糕的结果和失败案例。近期为基于深度学习的点云补全设计的训练损失函数，如 Chamfer 距离 (CD) 及其变体（例如 HyperCD），暗示了一个好的梯度加权方案可以显著提升性能。然而，这些基于 CD 的损失函数通常需要与数据相关的参数调整，这对于数据密集型任务来说可能非常耗时。为了解决这个问题，我们旨在寻找一族无需参数调整的加权训练损失（加权 CD）。为此，我们提出了一种搜索方案，即基于梯度匹配的损失蒸馏，通过模仿 HyperCD 和加权 CD 在反向传播中的学习行为来寻找好的候选损失函数。完成这一步后，我们提出了一种新颖的双层优化公式，基于加权 CD 损失来训练骨干网络。我们观察到：(1) 通过适当的加权函数，加权 CD 总能达到与 HyperCD 相似的性能；(2) Landau 加权 CD，即 Landau CD，在点云补全任务中可以超越 HyperCD，并在多个基准数据集上取得了新的最先进结果。我们的演示代码可在 https://github.com/Zhang-VISLab/IROS2024-LossDistillationWeightedCD 获取。
引用
@article{arxiv.2409.06171,
title = {Loss Distillation via Gradient Matching for Point Cloud Completion with Weighted Chamfer Distance},
author = {Fangzhou Lin and Haotian Liu and Haoying Zhou and Songlin Hou and Kazunori D Yamada and Gregory S. Fischer and Yanhua Li and Haichong K. Zhang and Ziming Zhang},
journal= {arXiv preprint arXiv:2409.06171},
year = {2024}
}
备注
10 pages, 7 figures, 7 tables, this paper was accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2024