[论文解读] PointNorm: Dual Normalization is All You Need for Point Cloud Analysis

Shen Zheng, Jinqian Pan+2 more|arXiv (Cornell University)|Jul 13, 2022

3D Shape Modeling and Analysis被引用 5

一句话总结

PointNorm 提出了一种新颖的 DualNorm 模块，通过使用局部均值和全局标准差对点云特征学习中的采样点和分组点进行双重归一化，以解决不规则性问题。这种简单而高效的设计在分类、部件分割和语义分割基准上均实现了最先进（SOTA）的精度，同时提升了计算效率。

ABSTRACT

Point cloud analysis is challenging due to the irregularity of the point cloud data structure. Existing works typically employ the ad-hoc sampling-grouping operation of PointNet++, followed by sophisticated local and/or global feature extractors for leveraging the 3D geometry of the point cloud. Unfortunately, the sampling-grouping operations do not address the point cloud's irregularity, whereas the intricate local and/or global feature extractors led to poor computational efficiency. In this paper, we introduce a novel DualNorm module after the sampling-grouping operation to effectively and efficiently address the irregularity issue. The DualNorm module consists of Point Normalization, which normalizes the grouped points to the sampled points, and Reverse Point Normalization, which normalizes the sampled points to the grouped points. The proposed framework, PointNorm, utilizes local mean and global standard deviation to benefit from both local and global features while maintaining a faithful inference speed. Experiments show that we achieved excellent accuracy and efficiency on ModelNet40 classification, ScanObjectNN classification, ShapeNetPart Part Segmentation, and S3DIS Semantic Segmentation. Code is available at https://github.com/ShenZheng2000/PointNorm-for-Point-Cloud-Analysis.

研究动机与目标

• 解决 3D 深度学习中点云数据结构不规则的挑战。
• 减少对复杂局部与全局特征提取器的依赖，以提升计算效率。
• 在保持或提升精度的同时，改善训练稳定性和推理速度。
• 开发一种即插即用的归一化模块，有效处理点云的不规则性。

提出的方法

• 提出 DualNorm 模块，实现双向归一化：点归一化（将分组点归一化至采样点）与反向点归一化（将采样点归一化至分组点）。
• 对分组点使用局部均值，对采样点使用全局标准差，以平衡局部与全局几何特征。
• 在 PointNet++ 风格架构中，在采样-分组操作后应用归一化，以稳定特征学习。
• 将 DualNorm 集成为轻量级、可微模块，以增强梯度流动性和损失稳定性。
• 通过避免昂贵的特征提取器或优化过程，保持高推理速度。
• 设计框架为即插即用，兼容现有点云网络（如 PointNet++）。

实验结果

研究问题

• RQ1 在采样-分组操作后，仅使用简单归一化模块是否能有效解决点云不规则性，而无需复杂特征提取器？
• RQ2 双向归一化（采样点 ↔ 分组点）是否能提升特征学习的稳定性和模型性能？
• RQ3 与最先进方法相比，DualNorm 是否能在参数量相似或更少的情况下，同时提升准确率和推理速度？
• RQ4 使用局部均值与全局标准差如何影响训练动态与梯度稳定性？
• RQ5 DualNorm 在分类、部件分割和语义分割等多样化点云任务中，性能提升的幅度如何？

主要发现

• PointNorm 在 ModelNet40 和 ScanObjectNN 上实现了最佳总体准确率（OA）和平均准确率（mAcc），超越了先前的 SOTA 方法。
• 在 ScanObjectNN 上，PointNorm 的 OA 比 PointMLP 高 1.4%，mAcc 高 1.7%，表明其在真实世界数据上具有强大的泛化能力。
• PointNorm-Tiny 在所有模型中推理速度最快，同时保持了优异性能，优于 PRANet 和 DRNet。
• 在 S3DIS 上，PointNet++ 搭载 DualNorm 在 Area-5 上实现了最高的 OA（88.4%），尽管参数量和 FLOPs 更少，仍优于 PointASML。
• 在 S3DIS 6-Fold 上，添加 DualNorm 后 mIoU 提升 8.2 分，Area-5 上提升 5.0 分，且 FLOPs 和参数量仅略有增加。
• 消融实验表明，DualNorm 显著提升了损失与梯度稳定性，且计算开销可忽略不计。