用于能效 3D 点云去噪的噪声注入脉冲图卷积
计算机视觉与模式识别
2025-03-07 v2
摘要
脉冲神经网络（SNN）受生物神经系统脉冲计算范式的启发，在 2D 分类任务中展现出优于传统人工神经网络（ANN）的能效优势。然而，SNN 的回归潜力尚未得到充分探索，尤其是在 3D 点云处理方面。本文提出了噪声注入脉冲图卷积网络，发挥 SNN 在 3D 点云去噪中的完整回归潜力。具体而言，我们首先模拟噪声注入的神经元动力学，以构建噪声注入脉冲神经元。基于此，我们设计了噪声注入脉冲图卷积，用于在 3D 点上促进干扰感知的脉冲表征学习。从脉冲图卷积开始，我们构建了两种 SNN 基于去噪网络。一种是纯粹的脉冲图卷积网络，在两个基准数据集（PU-Net 和 PC-Net）上实现了与一些 ANN-based 替代方案相当的低准确率损失，同时显著降低了能耗。另一种是一种混合架构，将 ANN-based 学习与在仅几步时间内实现高性能-能效权衡结合起来。我们的工作点燃了 SNN 在 3D 点云去噪中的潜力，注入了探索在仿生芯片上部署的新视角，为开发能效 3D 数据采集设备的道路。
引用
@article{arxiv.2502.19660,
title = {Noise-Injected Spiking Graph Convolution for Energy-Efficient 3D Point Cloud Denoising},
author = {Zikuan Li and Qiaoyun Wu and Jialin Zhang and Kaijun Zhang and Jun Wang},
journal= {arXiv preprint arXiv:2502.19660},
year = {2025}
}
备注
Accepted by AAAI 2025