SampleNet：可微的点云采样

越来越多直接在点云上执行的任务正在出现。随着点云规模的增长，这些任务的计算需求也随之增加。一种可能的解决方案是先对点云进行采样。 farthest point sampling (FPS，最远点采样) 等经典采样方法不考虑下游任务。最近的一项工作表明，学习特定于任务的采样可以显著改善结果。然而，所提出的技术没有处理采样操作的非可微性，而是提供了一种变通方案。我们引入了一种新颖的可微松弛方法用于点云采样，该方法将采样点近似为原始输入点云中点的混合。我们的近似方案在分类和几何重建应用上取得了一致的良好结果。我们还表明，所提出的采样方法可用作点云配准网络的前端。这是一项具有挑战性的任务，因为对于共享的下游任务，采样必须在两个不同的点云之间保持一致。在所有情况下，我们的方法均优于现有的非学习型和学习型采样替代方案。我们的代码已在 https://github.com/itailang/SampleNet 公开。