面向无监督仿真到现实点云识别的拓扑感知建模
计算机视觉与模式识别
2025-06-27 v1
摘要
从三维物体形状的点集中学习语义表示常常因几何变化的显著影响而面临挑战,这主要归因于数据采集方法的差异。通常,训练数据由点云模拟器生成,而测试数据由不同的三维传感器采集,导致仿真到现实(Sim2Real)的域差距,限制了点云分类器的泛化能力。当前的无监督域适应(UDA)技术难以应对这一差距,因为它们通常缺乏能够捕获全局拓扑信息的鲁棒且域不敏感的描述符,导致过拟合于源域有限的语义模式。为解决这一问题,我们引入了一种新颖的拓扑感知建模(TAM)框架,用于物体点云上的 Sim2Real 无监督域适应。我们的方法通过利用由低级、高频三维结构表征的全局空间拓扑,并通过新颖的自监督学习任务对局部几何特征的拓扑关系进行建模,来缓解域差距。此外,我们提出了一种先进的自训练策略,将跨域对比学习与自训练相结合,有效降低了噪声伪标签的影响并增强了适应过程的鲁棒性。在三个公开的 Sim2Real 基准上的实验结果验证了我们 TAM 框架的有效性,在所有评估任务上均较现有最优方法展现出持续的提升。本工作的源代码将在 https://github.com/zou-longkun/TAG.git 公开。
引用
@article{arxiv.2506.21165,
title = {Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition},
author = {Longkun Zou and Kangjun Liu and Ke Chen and Kailing Guo and Kui Jia and Yaowei Wang},
journal= {arXiv preprint arXiv:2506.21165},
year = {2025}
}