MOPS-Net：一种面向任务的 3D 点云下采样的矩阵优化驱动网络

本文探讨了面向任务的 3D 点云下采样问题，旨在对点云进行下采样的同时，尽可能保持后续应用于下采样稀疏点的应用的性能。从矩阵优化的角度设计，我们提出了 MOPS-Net，一种新颖的基于深度学习的可解释方法，由于其可解释特征，它与现有基于深度学习的方法有根本不同。由于其离散和组合性质，该优化问题具有挑战性。我们通过放宽变量的二元约束来应对挑战，并构建一个有约束且可微的矩阵优化问题。然后我们设计了一个深度神经网络，通过探索输入数据的局部和全局结构来模拟矩阵优化。MOPS-Net 可以与任务网络端到端训练，并且是置换不变的，使其对输入具有鲁棒性。我们还扩展了 MOPS-Net，使得经过一次训练后的单个网络能够处理任意下采样比率。大量实验结果表明，在包括分类、重建和配准在内的各种任务上，MOPS-Net 能够取得优于最先进基于深度学习方法的有利性能。此外，我们在含噪数据上验证了 MOPS-Net 的鲁棒性。