点云分析中的旋转扰动鲁棒性：流形蒸馏的视角

点云通常被视为黎曼流形的离散采样，在三维图像解释中扮演着关键角色。特别是，旋转扰动——由各种因素（如设备偏移、系统不稳定、测量误差等）引起的意外微小旋转变化——很容易导致点云学习任务的结果劣化。然而，经典点云学习方法对旋转扰动敏感，现有具有旋转鲁棒性的网络在性能和噪声容忍度方面仍有很大改进空间。鉴于这些，本文从流形的角度重新建模点云，并设计了一种流形蒸馏方法，在不进行任何坐标变换的情况下实现旋转扰动的鲁棒性。简言之，在训练阶段，我们引入教师网络学习旋转鲁棒性信息，并通过在线蒸馏将该信息传递给学生网络。在推理阶段，学生网络直接利用原始三维坐标信息来实现旋转扰动的鲁棒性。在四个不同数据集上进行的实验验证了我们方法的有效性。平均而言，在 ModelNet40 和 ScanObjectNN 分类数据集上，在随机旋转扰动下，我们的分类准确率分别相比流行的旋转鲁棒网络提升了 4.92% 和 4.41%；在 ShapeNet 和 S3DIS 分割数据集上，相比旋转鲁棒网络，mIoU 的提升分别为 7.36% 和 4.82%。此外，从实验结果来看，所提出的算法在抵抗噪声和离群点方面也表现出色。