张量-训练点云压缩与高效近似最近邻搜索
计算机视觉与模式识别
2024-10-08 v1 机器学习
摘要
大型向量数据库中的最近邻搜索对于各种机器学习应用至关重要。本文引入了一种新方法，利用张量-训练（TT）低秩张量分解高效表示点云，从而实现快速的近似最近邻搜索。我们提出了一种概率解释，利用如Sliced Wasserstein等密度估计损失来训练TT分解，实现稳健的点云压缩。我们揭示了TT点云中固有的层次结构，这有助于高效的近似最近邻搜索。在本文中，我们提供了方法论的详细见解，并对现有方法进行了全面的比较。我们在各种场景中展示了其有效性，包括离群检测（OOD）问题和近似最近邻（ANN）搜索任务。
引用
@article{arxiv.2410.04462,
title = {Tensor-Train Point Cloud Compression and Efficient Approximate Nearest-Neighbor Search},
author = {Georgii Novikov and Alexander Gneushev and Alexey Kadeishvili and Ivan Oseledets},
journal= {arXiv preprint arXiv:2410.04462},
year = {2024}
}