NeuralQAAD：一种高效可微的高分辨率点云压缩框架

本文中，我们提出 NeuralQAAD，一种可微的点云压缩框架，其快速、对采样具有鲁棒性且适用于高分辨率。以往能够处理复杂非光滑拓扑的工作几乎无法扩展到仅几千个点以上。我们以一种以权值共享与自解码为特征的新型神经网络架构来解决该任务。我们的架构比以往工作更高效地利用参数，使我们能够更深且可扩展。此外，我们表明当前点云压缩唯一可行的训练准则——Chamfer 距离——在高分辨率下表现糟糕。为克服此问题，我们将我们的架构与一种基于二次分配问题（QAP）的新训练过程配对，并给出其两种近似算法。我们并行于梯度下降求解 QAP。该过程充当替代损失，并允许隐式最小化更具表达力的 Earth Movers Distance（EMD，推土机距离），即便对于点云规模远超 $10^6$ 点也是如此。由于在 high 分辨率点云上评估 EMD 不可行，我们提出一种基于 k-d 树的分治方法，即 EM-kD，作为 EMD 可扩展、快速但仍可靠的上界。NeuralQAAD 在 COMA、D-FAUST 与 Skulls 上展示出显著优于当前 SOTA 的视觉表现与 EM-kD 指标。Skulls 是一个新颖的颅骨 CT 扫描数据集，我们将与 NeuralQAAD 的实现一同公开。