利用注意力引导的分组-特征协调释放点云网络的隐藏潜力
计算机视觉与模式识别
2025-09-23 v1
摘要
点云分析已随着多样化的网络架构而发展，但现有工作主要侧重于引入新颖的结构设计。然而，传统的基于点的架构——通过顺序的采样、分组和特征提取层处理原始点云——显示出未被充分利用的潜力。我们注意到，通过策略性的模块集成而非结构修改，可以释放出显著的性能增益。在本文中，我们提出了分组-特征协调模块（GF-Core），这是一个轻量级的可分离组件，能同时调控分组层和特征提取层，以实现更精细的特征聚合。此外，我们引入了一种专为基于点的输入量身定制的自监督预训练策略，以增强模型在复杂点云分析场景中的鲁棒性。在 ModelNet40 数据集上，我们的方法将基线网络提升至 94.0% 的准确率，在保持架构简洁性的同时，匹配了先进框架的性能。在 ScanObjectNN 数据集的三个变体上，我们分别获得了 2.96%、6.34% 和 6.32% 的提升。
引用
@article{arxiv.2509.16639,
title = {Unlocking Hidden Potential in Point Cloud Networks with Attention-Guided Grouping-Feature Coordination},
author = {Shangzhuo Xie and Qianqian Yang},
journal= {arXiv preprint arXiv:2509.16639},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication