Point-DAE：用于自监督点云学习的去噪自编码器
计算机视觉与模式识别
2025-05-02 v4 人工智能
摘要
掩码自编码器已在自监督点云学习中展现出其有效性。考虑到掩码是一种损坏方式，在本工作中，我们通过探究除掩码外更多类型的损坏，探索一种更通用的点云学习去噪自编码器（Point-DAE）。具体而言，我们用特定损坏退化点云作为输入，并学习一个编码器-解码器模型从其损坏版本重建原始点云。我们研究了三种损坏族（即密度/掩码、噪声和仿射变换）以及共十四种损坏类型，并使用传统的非 Transformer 编码器。除流行的掩码损坏外，我们确定了另一有效的损坏族，即仿射变换。仿射变换全局扰动所有点，这与掩码损坏（丢弃某些局部区域）形成互补。我们还在 Transformer 骨干上验证了仿射变换损坏的有效性，其中我们将完整点云的重建分解为细节局部块与粗略全局形状的重建，缓解了重建中的位置泄漏问题。在对象分类、少样本学习、鲁棒性测试、部件分割和 3D 目标检测任务上的大量实验验证了所提方法的有效性。代码可在 https://github.com/YBZh/Point-DAE 获取。
引用
@article{arxiv.2211.06841,
title = {Point-DAE: Denoising Autoencoders for Self-supervised Point Cloud Learning},
author = {Yabin Zhang and Jiehong Lin and Ruihuang Li and Kui Jia and Lei Zhang},
journal= {arXiv preprint arXiv:2211.06841},
year = {2025}
}
备注
Journal revision; Codes are available at \url{https://github.com/YBZh/Point-DAE}