Point-JEPA：用于点云自监督学习的联合嵌入预测架构
计算机视觉与模式识别
2025-02-11 v6
摘要
点云领域自监督学习的最新进展已展现出巨大潜力。然而，这些方法通常存在缺陷，包括预训练时间长、需要在输入空间中进行重建或需要额外的模态。为了解决这些问题，我们引入了Point-JEPA，一种专门为点云数据设计的联合嵌入预测架构。为此，我们引入了一个序列器，它对点云块嵌入进行排序，以便在目标和上下文选择期间基于索引高效计算和利用它们的邻近性。该序列器还允许在上下文和目标选择之间共享块嵌入邻近性的计算，从而进一步提高效率。实验上，我们的方法在避免输入空间重建或额外模态的同时，取得了与最先进方法相竞争的结果。
引用
@article{arxiv.2404.16432,
title = {Point-JEPA: A Joint Embedding Predictive Architecture for Self-Supervised Learning on Point Cloud},
author = {Ayumu Saito and Prachi Kudeshia and Jiju Poovvancheri},
journal= {arXiv preprint arXiv:2404.16432},
year = {2025}
}
备注
13 pages, 4 figures