PaRot: 基于特征解耦与姿态恢复的逐块旋转不变网络

近年来，对点云分析的兴趣促使了面向三维模型的深度学习方法快速发展。然而，最先进的模型对旋转不具有鲁棒性，这在实际应用中仍是未知先验，并损害了模型性能。本文提出了一种新颖的逐块旋转不变网络（PaRot），通过特征解耦实现旋转不变性，并对任意旋转的样本产生一致的预测。具体来说，我们设计了一个孪生训练模块，通过一对旋转从不同尺度（例如局部几何和全局形状）定义的块中解耦旋转不变性和等变性。然而，解耦后的不变特征丢失了每个块的内在姿态信息。为解决此问题，我们提出了一种旋转不变的几何关系，以利用等变信息恢复不同尺度块的相对姿态。利用姿态信息，我们提出了一种分层模块，实现用于三维形状学习的尺度内和尺度间特征聚合。此外，我们引入了一种姿态感知的特征传播过程，其中嵌入了旋转不变的相对姿态信息。实验表明，我们的解耦模块提取了高质量的旋转鲁棒特征，所提出的轻量级模型在旋转三维物体分类和部件分割任务中取得了有竞争力的结果。我们的项目页面发布在：https://patchrot.github.io/。