面向逐点分析的任务感知采样层

采样、分组和聚合是点云多尺度分析中的三个重要组成部分。本文提出了一种用于逐点分析任务的数据驱动采样器学习策略。与广泛使用的采样技术最远点采样（FPS）不同，我们提出联合学习采样与下游应用。我们的核心见解是：像FPS这样的均匀采样方法对于不同任务并非总是最优的——在边界区域周围采样更多点可以使分割中的逐点分类更容易。为此，我们提出了一种新颖的采样器学习策略，该策略在任务相关真实标注信息的监督下学习采样点位移，并可与底层任务联合训练。我们进一步在各种逐点分析任务中展示了我们的方法，包括语义部件分割、点云补全和关键点检测。我们的实验表明，在各种基于点的网络中，采样器与任务的联合学习比使用FPS带来更好的性能。