用于自监督点云学习的上采样自编码器
计算机视觉与模式识别
2022-03-22 v1
摘要
在计算机辅助设计 (CAD) 领域，点云数据被普遍应用于逆向工程，其中点云分析发挥着重要作用。尽管已有大量监督学习方法被提出以处理无序点云并展现出显著成功，但其性能与适用性受限于昂贵的数据标注。本工作中，我们提出一种无需人工标注的新型自监督预训练模型用于点云学习，其仅依赖上采样操作以有效方式执行点云特征学习。我们方法的关键前提是，上采样操作促使网络捕获点云的高层语义信息与低层几何信息，从而分类与分割等下游任务将受益于该预训练模型。具体而言，我们的方法首先从输入点云中以低比例（如 12.5%）进行随机子采样。随后，将其送入编码器-解码器架构，其中编码器仅基于子采样点运作，并采用上采样解码器基于所学特征重建原始点云。最后，我们设计了一种新颖的联合损失函数，强制上采样点类似于原始点云且均匀分布于潜在形状表面。通过将预训练编码器权重作为下游任务模型的初始化，我们发现我们的 UAE 在形状分类、部件分割与点云上采样任务上优于先前最先进 (SOTA) 方法。代码将在录用后公开。
引用
@article{arxiv.2203.10768,
title = {Upsampling Autoencoder for Self-Supervised Point Cloud Learning},
author = {Cheng Zhang and Jian Shi and Xuan Deng and Zizhao Wu},
journal= {arXiv preprint arXiv:2203.10768},
year = {2022}
}
备注
13 pages