基于单样本学习的点云边缘检测
计算机视觉与模式识别
2026-04-27 v1
摘要
每个扫描仪都具有独特的特征并呈现出不同的采样误差分布。在包含来自不同扫描仪数据的数据集上训练的网络不如针对单个扫描仪的数据训练的网络有效有效。因此，我们提出了一种 novel 的单样本学习方法，用于点云上的边缘提取，通过学习目标点云的特定数据分布，从而实现优于在一般数据分布上训练的网络的更好结果。具体而言，我们设计了一种 filtered-KNN 基于的表面块表示，支持单样本学习框架。此外，我们引入了 RBF_DoS 模块，将基于径向基函数的表面块描述符集成进来，对点云上的边缘提取非常有益。通过对 ABC 数据集上 7 个基线方法的比较分析，证明了所提出 OSFENet 的优势，其实际效用通过在 diverse real-scanned 数据集上的结果得到验证，包括室内场景如 S3DIS 数据集，户外场景如 Semantic3D 数据集和 UrbanBIS 数据集。
引用
@article{arxiv.2604.22354,
title = {One Shot Learning for Edge Detection on Point Clouds},
author = {Zhikun Tu and Yuhe Zhang and Yiou Jia and Kang Li and Daniel Cohen-Or},
journal= {arXiv preprint arXiv:2604.22354},
year = {2026}
}
备注
17 pages, 14 figures. Published in IEEE Transactions on Visualization and Computer Graphics