基于自表示对齐的3D表征学习：Point-SRA

掩码自编码器（MAE）已成为3D表征学习中的主导范式，在 various downstream任务中树立了新的性能基准。现有方法使用固定掩码比例，忽视多层表征相关性和内在几何结构，同时依赖点级重建假设，而这与点云的多样性相冲突。为此，我们提出了一种3D表征学习方法，称为Point-SRA，通过自蒸馏和概率建模实现表征对齐。具体而言，我们为MAE分配不同的掩码比例，以捕获互补的几何和语义信息；MeanFlow Transformer（MFT）利用跨模态条件嵌入来实现多样化的概率重建。我们的分析进一步揭示了MFT中不同时间步的表征也具有互补性。因此，在MAE和MFT层面上，提出了双重自表征对齐机制。最后，我们设计了基于Flow-Conditioned的微调架构，充分利用通过MeanFlow学习到的点云分布。Point-SRA在ScanObjectNN上超越Point-MAE 5.37%。在内颅动脉瘤分割任务中，它实现了96.07%的artery平均IoU和86.87%的aneurysm平均IoU。对于3D目标检测，Point-SRA实现了47.3%的AP@50，超越MaskPoint 5.12%。