REPS：基于重建的点云采样

采样广泛应用于各种点云任务中，因为它可以有效减少资源消耗。最近，一些方法提出了利用神经网络来优化采样过程以满足各种任务需求。目前，深度下采样方法主要分为两类：基于生成的和基于分数的。基于生成的方法直接使用网络生成采样点云，而基于分数的方法则根据特定规则评估点的重要性，然后根据其分数选择采样点云。然而，这些方法往往在高强度特征区域导致明显的聚类效应，损害了其保留小规模特征的能力，并导致某些结构的丢失，从而影响后续任务的性能。在本文中，我们提出了 REPS，一种基于重建的评分策略，通过移除并利用周围顶点重建每个顶点来评估其重要性。我们的重建过程包括点重建和形状重建。上述两种重建方法通过在不同尺度上移除顶点进行重建，有效地评估了顶点的重要性。这些重建确保我们的方法在采样过程中保持点云的整体几何特征，并避免干扰小规模结构。此外，我们提出了全局 - 局部融合注意力（GLFA）模块，该模块聚合点云的局部和全局注意力特征，确保高质量的重建和采样效果。我们的方法在保留采样点云的结构特征方面优于以往的方法。此外，丰富的实验结果证明了我们的方法在各种常见任务中的优越性能。