用于学习三维点云表示的点集距离
计算机视觉与模式识别
2021-09-15 v2
摘要
学习有效的三维点云表示需要一种良好的度量来衡量两个三维点集之间的差异，这由于其不规则性而并非易事。大多数先前工作诉诸于使用倒角差异或推土机距离，但这些度量要么在衡量点云间差异上效果不佳，要么计算昂贵。在本文中，我们对三维点云的距离度量进行了系统研究与大量实验。由此研究，我们提出使用切片 Wasserstein 距离及其变体来学习三维点云的表示。此外，我们引入了一种新算法来估计切片 Wasserstein 距离，保证估计值足够接近真实值。实验表明，与倒角差异相比，切片 Wasserstein 距离及其变体使神经网络能够学习更高效的表示。我们在三维计算机视觉的若干任务上展示了切片 Wasserstein 度量及其变体的效率，包括训练点云自编码器、生成建模、迁移学习和点云配准。
引用
@article{arxiv.2102.04014,
title = {Point-set Distances for Learning Representations of 3D Point Clouds},
author = {Trung Nguyen and Quang-Hieu Pham and Tam Le and Tung Pham and Nhat Ho and Binh-Son Hua},
journal= {arXiv preprint arXiv:2102.04014},
year = {2021}
}
备注
ICCV 2021 camera-ready paper (8 pages) with supplementary (3.5 pages)