[논문 리뷰] Learning 3D Representations from 2D Pre-trained Models via Image-to-Point Masked Autoencoders

Renrui Zhang, Liuhui Wang외 3명|arXiv (Cornell University)|2022. 12. 13.

3D Shape Modeling and Analysis인용 수 7

한 줄 요약

이 논문은 이미지-포인트 마스킹 오토인코더를 통해 2D 사전학습 모델의 지식을 3D 포인트 클라우드로 전이하는 자기지도 학습 3D 표현 학습 프레임워크인 I2P-MAE를 제안한다. 다중시점 2D 특징과 시각적 중요도 맵을 활용한 2D 유도 마스킹 및 2D 의미 복원을 통해 I2P-MAE는 피팅 튜닝 없이 ModelNet40에서 93.4%의 선형 SVM 정확도와 ScanObjectNN의 가장 어려운 분할에서 90.11%의 정확도를 달성하여 이전 방법들보다 +3.68% 향상되었다.

ABSTRACT

Pre-training by numerous image data has become de-facto for robust 2D representations. In contrast, due to the expensive data acquisition and annotation, a paucity of large-scale 3D datasets severely hinders the learning for high-quality 3D features. In this paper, we propose an alternative to obtain superior 3D representations from 2D pre-trained models via Image-to-Point Masked Autoencoders, named as I2P-MAE. By self-supervised pre-training, we leverage the well learned 2D knowledge to guide 3D masked autoencoding, which reconstructs the masked point tokens with an encoder-decoder architecture. Specifically, we first utilize off-the-shelf 2D models to extract the multi-view visual features of the input point cloud, and then conduct two types of image-to-point learning schemes on top. For one, we introduce a 2D-guided masking strategy that maintains semantically important point tokens to be visible for the encoder. Compared to random masking, the network can better concentrate on significant 3D structures and recover the masked tokens from key spatial cues. For another, we enforce these visible tokens to reconstruct the corresponding multi-view 2D features after the decoder. This enables the network to effectively inherit high-level 2D semantics learned from rich image data for discriminative 3D modeling. Aided by our image-to-point pre-training, the frozen I2P-MAE, without any fine-tuning, achieves 93.4% accuracy for linear SVM on ModelNet40, competitive to the fully trained results of existing methods. By further fine-tuning on on ScanObjectNN's hardest split, I2P-MAE attains the state-of-the-art 90.11% accuracy, +3.68% to the second-best, demonstrating superior transferable capacity. Code will be available at https://github.com/ZrrSkywalker/I2P-MAE.

연구 동기 및 목표

• 고품질의 3D 표현 학습을 방해하는 대규모 3D 데이터셋의 부족 문제를 해결하기 위해.
• 대규모 3D 데이터셋이 필요 없이 사전학습된 모델에서 유도된 강력한 2D 시각적 특징을 활용하여 3D 표현 학습을 향상시키기 위해.
• 2D 이미지에서 고수준 의미를 3D 포인트 클라우드로 전이하는 자기지도 학습 3D 사전학습 방법을 개발하기 위해.
• 마스킹 오토인코딩에 2D 의미 유도를 통합하여 3D 표현의 일반화 및 이식 가능성 향상시키기 위해.

제안 방법

• I2P-MAE는 포인트 클라우드에서 3D 마스킹 오토인코딩을 위한 비대칭 인코더-디코더 트랜스포머 아키텍처를 사용한다.
• 기본 2D 모델에서 추출한 다중시점 깊이 맵과 2D 특징, 시각적 중요도 맵을 얻기 위해 입력 포인트 클라우드를 다중시점 깊이 맵으로 투영한다.
• 2D 유도 마스킹 전략은 배경 투영된 2D 시각적 중요도 맵을 공간적 가이드로 사용하여 의미적으로 중요한 포인트 토큰을 유지한다.
• 모델은 마스킹된 3D 좌표와 가시 토큰의 2D 특징을 모두 복원하여 3D 기하학과 2D 의미에서 이중 감독을 가능하게 한다.
• 다중시점 2D 특징은 연결을 통해 복원에 필요한 다양한 의미를 유지한다.
• 이 프레임워크는 2D 지식을 풍부하게 계승하면서도 3D 구조를 학습하는 자기지도 사전학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 대규모 3D 데이터셋이 부족한 상황에서 사전학습된 2D 모델이 3D 표현 학습을 효과적으로 향상시킬 수 있는가?
• RQ2 2D 의미 지식은 어떻게 3D 마스킹 오토인코딩에 전이되어 복원 및 특징 품질을 향상시킬 수 있는가?
• RQ3 무작위 마스킹과 비교해 2D 유도 마스킹이 더 나은 3D 구조 보존을 이끌어내는가?
• RQ4 동시 복원된 2D 의미 정보는 3D 특징의 분류 능력을 향상시키는가?
• RQ5 투영된 시점 수가 이미지-포인트 사전학습 프레임워크 성능에 미치는 영향은 어떠한가?

주요 결과

• I2P-MAE는 피팅 튜닝 없이 ModelNet40에서 93.4%의 선형 SVM 정확도를 달성하여 이전 방법의 완전 학습 모델 성능과 동일한 성능을 보였다.
• ScanObjectNN의 가장 어려운 분할에서 I2P-MAE는 90.11%의 정확도를 기록하여 두 번째로 좋은 방법보다 +3.68% 향상되었다.
• 시각화 및 추론 분석을 통해 2D 유도 마스킹 전략이 랜덤 마스킹보다 더 많은 의미적으로 중요한 3D 구조를 유지하는 것으로 확인되었다.
• 세 개의 투영 시점 사용이 하나 또는 두 개보다 더 나은 성능을 내는 이유는 차폐 감소와 더 완전한 3D 형태 인식 때문이었다.
• 복원에 다중시점 2D 특징을 연결하는 것이 평균화나 최대/최소 점수 사용보다 더 풍부한 의미를 유지하여 성능 향상에 기여했다.
• ModelNet40에서는 'Add' 풀링 전략, ScanObjectNN에서는 'Concat' 풀링 전략이 글로벌 특징 요약에서 최고의 성능을 보였다.