用于点云分析的增强法向嵌入点可变形网络
计算机视觉与模式识别
2023-12-21 v1
摘要
近期基于MLP的方法在点云分析中展现出强大的性能。简单的MLP架构能够学习局部点群内的几何特征，但无法直接建模长程依赖。在本文中，我们提出点可变形网络（Point Deformable Network, PDNet），这是一种简洁的基于MLP的网络，能够捕获长程关系并具有很强的表示能力。具体而言，我们提出点可变形聚合模块以提升点间长程依赖与自适应聚合的表示能力。对于每个查询点，PDAM从可变形参考点而非有限局部区域内的点聚合信息。可变形参考点以数据相关的方式生成，我们根据输入点位置对其进行初始化。在整个点特征上学习附加的偏移量和调制标量，将可变形参考点偏移至感兴趣区域。我们还建议估计点云的法向量，并将增强法向嵌入应用于几何提取器，以提高单点的表示能力。在多个基准上的大量实验和消融研究证明了我们PDNet的有效性和优越性。
引用
@article{arxiv.2312.13071,
title = {Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis},
author = {Xingyilang Yin and Xi Yang and Liangchen Liu and Nannan Wang and Xinbo Gao},
journal= {arXiv preprint arXiv:2312.13071},
year = {2023}
}