ParaNet：面向三维点云的深度规则表示
计算机视觉与模式识别
2020-12-08 v1
摘要
尽管卷积神经网络在分析 2D 图像/视频方面取得了显著成功，将规则域中成熟的 2D 技术应用于不规则的 3D 点云数据仍非易事。为弥补这一差距，我们提出 ParaNet，一种新颖的端到端深度学习框架，以完全规则且近乎无损的方式表示 3D 点云。具体而言，ParaNet 将不规则的 3D 点云转换为规则的 2D 彩色图像，称为点几何图像（PGI），其中每个像素编码一个点的空间坐标。与基于多视图投影和体素化的传统规则表示模态不同，所提表示是可微且可逆的。从技术上讲，ParaNet 由表面嵌入模块（将 3D 表面点参数化到单位正方形上）和网格重采样模块（在规则稠密网格上对嵌入的 2D 流形进行重采样）组成。注意 ParaNet 是无监督的，即训练仅依赖于无参考的几何约束。PGI 可与基于标准且成熟的 2D 图像/视频技术建立的任务网络无缝耦合，以实现 3D 点云的特定任务。我们在形状分类与点云上采样上评估 ParaNet，其中我们的方案优于现有的最先进方法。我们相信这样一种范式将开启许多可能，以推进基于深度学习的点云处理与理解的发展。
引用
@article{arxiv.2012.03028,
title = {ParaNet: Deep Regular Representation for 3D Point Clouds},
author = {Qijian Zhang and Junhui Hou and Yue Qian and Juyong Zhang and Ying He},
journal= {arXiv preprint arXiv:2012.03028},
year = {2020}
}