通过复杂朝向学习实现旋转自适应点云域泛化
计算机视觉与模式识别
2025-02-05 v1 人工智能
机器学习
摘要
3D点云分析对不可预测旋转的脆弱性提出了一个开放且具挑战性的问题：朝向感知的3D域泛化。3D表示的跨域鲁棒性和适应性至关重要，但难以通过旋转增强轻易实现。受复杂朝向在增强泛化能力方面的固有优势启发，我们提出了一种用于3D点云分析的创新旋转自适应域泛化框架。我们的方法旨在通过在迭代学习过程中利用复杂样本来缓解朝向偏移。具体而言，我们识别每个点云最具挑战性的旋转，并通过优化复杂朝向构建一个复杂朝向集合。随后，我们采用一个包含朝向一致性损失和间隔分离损失的朝向感知对比学习框架，从而能够有效学习具有旋转一致性的类别判别性和可泛化特征。在3D跨域基准上进行的大量实验和消融研究，牢固确立了我们所提方法在朝向感知3D域泛化背景下的 SOTA 性能。
引用
@article{arxiv.2502.02247,
title = {Rotation-Adaptive Point Cloud Domain Generalization via Intricate Orientation Learning},
author = {Bangzhen Liu and Chenxi Zheng and Xuemiao Xu and Cheng Xu and Huaidong Zhang and Shengfeng He},
journal= {arXiv preprint arXiv:2502.02247},
year = {2025}
}
备注
13pages, supplementary included, early accepted by TPAMI