多角度点云VAE：通过联合自重建与半到半预测从多角度学习三维点云的无监督特征
计算机视觉与模式识别
2019-07-31 v1
摘要
点云的无监督特征学习对于大规模点云理解至关重要。近期基于深度学习的方法依赖于从自重建中学习全局几何。然而，这些方法仍受限于局部几何学习低效，这显著限制了所学特征的判别力。为解决此问题，我们提出MAP-VAE，通过联合利用全局与局部自监督来实现全局与局部几何的学习。为达成有效的局部自监督，我们引入点云的多角度分析。在多角度场景下，我们首先从每个角度将点云拆分为前半部分与后半部分，然后训练MAP-VAE从对应的前半部分序列预测后半部分序列。MAP-VAE使用RNN执行此半到半预测，以同时学习各局部几何及其间的空间关系。此外，MAP-VAE也通过自重建学习全局几何，其中我们采用变分约束以促进新颖形状生成。在四项形状分析任务中优于现有方法的结果表明，MAP-VAE能比SOTA方法学到更具判别力的全局或局部特征。
引用
@article{arxiv.1907.12704,
title = {Multi-Angle Point Cloud-VAE: Unsupervised Feature Learning for 3D Point Clouds from Multiple Angles by Joint Self-Reconstruction and Half-to-Half Prediction},
author = {Zhizhong Han and Xiyang Wang and Yu-Shen Liu and Matthias Zwicker},
journal= {arXiv preprint arXiv:1907.12704},
year = {2019}
}
备注
To appear at ICCV 2019