面向受损 3D 点云分类的轻量结构图抽象：Mapper-GIN
计算机视觉与模式识别
2026-02-06 v1 几何拓扑
摘要
鲁棒的 3D 点云分类通常通过放大网络结构或依赖专业数据增强来实现。我们则探讨了仅凭结构抽象是否就能提高鲁棒性，并研究了基于 Mapper 算法的简单拓扑驱动分解。我们提出了 Mapper-GIN，一种轻量级管道，将点云划分为重叠区域（使用 PCA 镜头、立方体覆盖和密度基于聚类），从其重叠处构建区域图，并使用图同构网络进行图分类。在噪声和变换损坏基准 ModelNet40-C 上，Mapper-GIN 仅使用 0.5M 参数即可实现与现有方法相当且稳定的准确率。与需要更重型网络或额外机制才能获得鲁棒性的先前方法不同，Mapper-GIN 通过简单的区域级图抽象和 GIN 信息传递实现了强劲的损坏鲁棒性。总体而言，我们的结果表明，区域图结构为 3D 视觉识别提供了一种高效且可解释的鲁棒性来源。
引用
@article{arxiv.2602.05522,
title = {Mapper-GIN: Lightweight Structural Graph Abstraction for Corrupted 3D Point Cloud Classification},
author = {Jeongbin You and Donggun Kim and Sejun Park and Seungsang Oh},
journal= {arXiv preprint arXiv:2602.05522},
year = {2026}
}