通过可微分中心学习缓解点云中的先验形状偏差
计算机视觉与模式识别
2025-06-11 v4
摘要
掩码自编码和生成式预训练在计算机视觉和自然语言处理领域取得了显著成功，最近已被扩展至点云领域。然而，现有的点云模型由于中心点的预采样而遭受信息泄露问题，导致模型的代理任务变得琐碎。这些方法主要关注局部特征重建，限制了其捕捉点云内全局模式的能力。在本文中，我们认为前置任务难度的降低阻碍了模型学习表达性表征的能力。为解决这些局限性，我们引入了一种名为可微分中心采样网络 (DCS-Net) 的新方案。它通过将全局特征重建和局部特征重构建作为非琐碎的代理任务相结合，解决了信息泄露问题，从而实现了对点云内全局和局部模式的同时学习。实验结果表明，我们的方法增强了现有点云模型的表达能力，并有效解决了信息泄露问题。
引用
@article{arxiv.2402.02088,
title = {Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning},
author = {Zhe Li and Xiying Wang and Jinglin Zhao and Zheng Wang and Debin Liu and Laurence T. Yang},
journal= {arXiv preprint arXiv:2402.02088},
year = {2025}
}