基于多分辨率实例判别的无监督三维形状分析学习

尽管无监督特征学习已在许多领域展现出减少数据标注与网络设计工作量的优势，现有无监督三维学习方法仍无法为各类形状分析任务提供具有与有监督方法竞争性能的通用的网络。本文提出一种无监督方法，用于学习一个适用于不同形状分析任务的通用且高效的形状编码网络。我们方法的核心思想是从无标注的三维点云中联合编码并学习形状与点特征。为此，我们将 HR-Net 适配到基于八叉树的卷积神经网络，以融合多分辨率子网络联合编码形状与点特征，并设计了一个简单而高效的多分辨率实例判别（MID）损失来联合学习形状与点特征。我们的网络以三维点云为输入，输出形状与点特征。训练后，该网络与简单的任务特定后端层拼接，并针对不同的形状分析任务进行微调。我们评估了方法的效能与通用性，并通过一组形状分析任务（包括形状分类、语义形状分割以及形状配准任务）验证了网络与损失设计。借助简单后端，我们的网络在所有无监督方法中表现最佳，并取得了与有监督方法竞争的性能，尤其在具有小规模标注数据集的任务中。对于细粒度形状分割，我们的方法甚至大幅超越现有有监督方法。